目标：红外遥控原理的理解1.红外遥控简介红外线是波长介于微波和可见光之间的电磁波，波长在760纳米到1毫米之间，是波形比红光长的非可见光。自然界中的一切物体，只要它的温度高于绝对零度(-273)就存在分子和原子的无规则运动，其表面就会不停的辐射红外线。当然了，虽然是都辐射红外线，但是不同的物体辐射的红外强度是不一样的，而我们正是利用了这一点把红外技术应用到我们实际开发中。红外发射管很常用，在我们的
本文总结： PP-YOLO以YOLOv3为基础进行开发，主要尝试结合现有的各种几乎不增加模型参数和FLOPs的多个的tricks，以尽可能提高检测器的精度，同时确保速度几乎不变； Backbone使用ResNet50-vd替代YOLOv3中的DarkNet-53；为了解决替换backbone可能造成的问题，平衡效率和性能，仅在最后一阶段，使用可变形卷积替换3×3的卷积层。 使用其他多种trick，
文章目录前言一、The Dense Nested Interaction Module;二、Channel and Spatial Attention Module;三、Cascade Multi-Scale Convolution Module；四、Dual Supervised Module；五、一些实验结果。总结 前言最近在做一些小目标分割的课题，看了一些论文后，亲自做了一些网络模块的实验
转载
2024-06-16 10:38:00
168阅读
深度学习红外小目标研究现状_2021.7.6更新 2019年 TBC-Net（TBC-Net: A real-time detector for infrared small target detection using semantic constraint） link TBC-net分为目标特征提取模块TEM和语义约束模块SCM，分别用于从红外图像中提取小目标和对训练过程中提取的目标图
转载
2023-11-16 11:51:11
206阅读
Dense Nested Attention Network for Infrared Small Target Detection1.红外小目标的特点与本文的贡献红外小目标检测的特点本文的几个贡献2.网络结构解析DNANet整体网络结构特征提取模块特征金字塔融合模块八连通邻居聚类模块3.损失计算4.评价指标5.论文信息 Target Detection) 1.红外小目标的特点与本文的贡献红外
转载
2024-05-28 11:12:12
1238阅读
哈工大提出***RISTDnet***:强鲁棒性的红外小目标检测网络RISTDnet: Robust Infrared Small Target Detection Network 作者单位：哈尔滨工业大学空间光学工程研究中心 论文下载链接：https://sci-hub.yncjkj.com/10.1109/lgrs.2021.3050828 引用格式：Q. Hou, Z. Wang, F.
转载
2024-07-02 06:35:03
351阅读
适用场景基于背景建模的运动目标检测，其原理主要依赖算法所建立的接近理想背景的模型。 假想一下，如果眼前有一面白墙，突然有个具备一定尺寸的物体闯入视野，假设观察者方位（对应相机摆放位置和视角）固定不动，那么前后场景直接相减得到的差异就是运动目标了。 然而在现实状况下，我们不可能有那么一面理想的白墙。复杂场景：比如你在开始观测的时刻，视野里已经有很多运动的目标，或者你的场景有细琐树叶在飘动。因此，直接
转载
2024-08-09 10:24:27
70阅读
本文总结红外弱小目标检测领域论文中经常出现的算法评价指标，并对部分评价指标用MATLAB实现。目前总结的评价指标最为常见，像检测率、ROC曲线这些都要基于大量的实验才能得到数据，进而绘制表格或曲线对算法进行客观评价。（所以，有好的idea,一定要尽快做实验呀！）本文代码全部原创，若有不足之处，欢迎指正。常见的评价指标（evaluation metrics)一、检测率与虚警率检测率与虚警率的定义如图
Locality Aware Appearance Metric for Multi-Target Multi-Camera Tracking多目标多摄像机跟踪的局部感知外观度量本文要介绍的是澳洲国立大学（Australian National University）郑良老师实验室和清华大学电子系计算机视觉实验室合作的工作《Locality Aware Appearance Metric for
最近在自己的红外数据集上训练YOLOX网络（以COCO数据集的形式），把过程记录下来。 YOLOX代码：https://github.com/Megvii-BaseDetection/YOLOX 目录数据集准备生成数据标签的json文件代码修改修改数据集的目录信息修改类别数量修改标签训练我遇到的坑生成json标签文件时出现图片和标签不对应的问题改动数据集后需手动删除缓存数据文件 数据集准备生成数据
转载
2024-06-08 19:35:26
194阅读
《局部对比度结合区域显著性红外弱小目标检测》作者提出了一种区域局部对比度算法，仅在图像的显著性区域中进行局部对比度计算，而非遍历整幅图像。首先进行基于图像信息熵和局部相似性的红外图像区域显著性度量，经二值化得到单帧图像显著性区域；在该区域中进行局部对比度数值计算，得到区域局部对比度图像；最后经过自适应阈值分割，得到弱小目标检测结果；区域显著性度量本文提出的方法主要针对弱小目标的红外图像，对于人眼而
转载
2024-05-29 00:06:24
235阅读
本文是对上述文献中的Multiscale patch-based contrast method, MPCM 算法的详细解析与MATLAB复现，并给出实验结果。一、作者为什么提出MPCM算法1.1. 研究现状本文的算法是基于人类视觉系统（human visual system,HVS)提出的。红外弱小目标领域，应用人类视觉亮度对比度机制的重点在于：增强目标与背景的对比度（即增强目标、抑制背景）。基
转载
2023-11-03 17:31:23
393阅读
目标检测是很多计算机视觉任务的基础，不论我们需要实现图像与文字的交互还是需要识别精细类别，它都提供了可靠的信息。本文对目标检测进行了整体回顾，第一部分从RCNN开始介绍基于候选区域的目标检测器，包括Fast R-CNN、Faster R-CNN 和 FPN等。第二部分则重点讨论了包括YOLO、SSD和RetinaNet等在内的单次检测器，它们都是目前最为优秀的方法。一、基于候选区域的目标检测器1.
测头校验是测量工件前的必要工作，只有测头校验精确无误，后续测量的数据才真实可信。通常，如果工件上的尺寸大小比较均匀单一，一个程序只需配备一个测头，即可完成所有的检测任务；相对应的测头校验很简单，只需填写参数，PC-DMIS即可实现全自动的校验过程。而如果一个工件上存在太小/大/长/短或结构复杂的尺寸，则需要多个测头配置——配置不同直径/结构的测针、不同长度的加长杆(甚至不同的传感器)等等，此时，我
一、介绍 IR障碍物传感器根据红外反射原理来检测障碍物，当没有物体时，红外接收器不接受信号；当前方有物体阻挡并反射红外光时，红外接收器将接收信号。二、组件★Raspberry Pi 3主板*1★树莓派电源*1★40P软排线*1★红外避障传感器模块*1★面包板*1★跳线若干三、实验原理 红外测距都是采用三角测距的原理。红外发射器按照一定角度发射红外光束，遇到物体之后，光会反向回来，检测到反射
红外弱小目标的检测与跟踪算法主要分为两类：跟踪前检测DBT和检测前跟踪TBD。经典的小目标检测与跟踪方法是DBT，即先根据检测概率和虚警概率计算单帧图像的检测门限，然后对每帧图像进行分割，并将目标的单帧检测结果与目标运动轨迹进行关联，最后进行目标跟踪，适应于信噪比比较高的情况，常用的方法有：小波分析方法、背景抑制法、基于变换的方法、门限检测方法。TBD即对单帧图像中有无目标先不进行判断，而是先对图
转载
2023-12-10 14:44:45
235阅读
TBC-Net: A real-time detector for infrared smallTBC-Net:一种使用语义约束实时检测红外小目标的检测器论文撰写文献阅读提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录TBC-Net: A real-time detector for infrared small外文文献阅读-1摘要一、引言二、背景A.基于CNN的分割B.
转载
2024-04-30 12:29:23
1214阅读
为了在MATLAB中实现Multiscale Patch-Based Contrast Measure (MPCM) 算法，我们将按照算法的步骤进行复现，包括图像的预处理、多尺度补
引言最近在专研红外弱小目标检测算法，QDCT发表于2019年，算法也比较经典。由于作者只发布了编译后的MATLAB代码，于是决定动手复现一下。话不多说，直接上干货。1. 算法框架2. 特征选择先从4个独立分量的特征开始。涉及到算法总共有3个，分别是： steerable filter, Kurtosis, Motion2.1 steerable filter若多元函数 在点 存在对所有自变量的偏
转载
2024-02-26 16:44:10
352阅读
深度学习红外弱小目标跟踪是一项重要的研究领域，尤其在监控、军事和搜索救援等场景中具有显著意义。由于红外图像的特性，弱小目标的检测和跟踪面临了诸多挑战。例如，光照变化、目标运动速度快或背景复杂等问题可能会导致监控系统误判或漏判目标。为此，我们需要采取适当的深度学习模型和技术来进行有效的跟踪。
## 背景定位
### 问题场景
在劣质光线或复杂背景下，红外弱小目标（如无人机、岩石中的小动物等）的特
