研究人员开发了一种新的实时无源目标检测（SFOD）方法，该方法在提高准确性的同时降低了计算要求。基于YOLOv10架构，提出的双头伪标签融合（DHF）和多尺度自适应表示多样化（MARD）技术增强了领域偏移数据的适应过程。与现有的SFOD方法相比，该方法在平均精度均值（mAP）和吞吐量方面取得了显著的提高，并且参数更少。 AI
影响 这项研究可能导致更高效、更准确的自动驾驶汽车和机器人目标检测系统。
排序理由 该集群包含一篇详细介绍新目标检测方法的论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.31834v1 Announce Type: cross Abstract: Real-world detectors for autonomous driving, surveillance, and robotics must handle domain-shifts under strict latency and memory constraints, yet existing source-free object detection (SFOD) methods rely on heavyweight architectu…
Real-world detectors for autonomous driving, surveillance, and robotics must handle domain-shifts under strict latency and memory constraints, yet existing source-free object detection (SFOD) methods rely on heavyweight architectures that prioritize accuracy alone. We show this t…