PulseAugur
中
实时 09:15:31
English(EN) Bridging Severe Cross-Modal Misalignment: End-to-End Visible-Infrared Object Detection via Explicit Feature-Domain Affine Registration

新的JFRDet方法通过对齐改进可见光-红外目标检测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为JFRDet的新方法，以改进可见光-红外目标检测，特别是在两种图像类型之间存在严重空间失配的情况下。JFRDet网络包含一个跨模态仿射对齐模块，用于显式特征对齐，以及一个照明引导互补融合模块，用于根据照明条件自适应地使用模态可靠性。为了稳定训练，一个对齐质量一致性门控策略根据对齐可靠性调节监督。该团队还引入了无人机车辆失配（DVMA）基准数据集，以评估在严重失配下的性能，JFRDet在该数据集上取得了最先进的结果。 AI

影响 这项研究可能导致在视觉和热数据失配的挑战性环境中，目标检测系统更加鲁棒。

排序理由 该集群包含一篇学术论文，详细介绍了一种用于特定计算机视觉任务的新方法和数据集。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的JFRDet方法通过对齐改进可见光-红外目标检测

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Qi Ming, Yuyang Wang, Mingjing Zhao, Yifan Xiao, Zhixin Guo, Zhiqiang Zhou, Peng Sun, Juan Fang, Fuqiang Yang, Xudong Zhao ·

    弥合严重跨模态失准：通过显式特征域仿射配准实现端到端可见光-红外目标检测

    arXiv:2608.10680v1 Announce Type: new Abstract: Visible-infrared object detection relies on complementary RGB and thermal cues, but its performance is often degraded by cross-modal spatial misalignment. Most existing methods rely on implicit feature adaptation to handle weakly mi…

相关话题