Flir
PulseAugur coverage of Flir — every cluster mentioning Flir across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
视觉语言模型适配少样本多光谱目标检测
研究人员已将 Grounding DINO 和 YOLO-World 等视觉语言模型（VLMs）适配于少样本多光谱目标检测。该方法整合了文本、视觉和热成像模态，在有限数据集上展现出优于传统多光谱模型的性能。研究表明，VLMs 学到的语义先验能有效迁移到新的光谱输入，从而实现更具数据效率的感知系统，应用于自动驾驶等领域。
-
Text2Thermal 利用物理感知 AI 从文本生成热图像
研究人员开发了 Text2Thermal，一个从文本描述合成热图像的新颖框架。该方法通过利用语言来解决可见光图像到热图像转换中的固有歧义（受表面发射率和温度等不可观察因素控制），从而解决了热成像数据集稀缺的问题。Text2Thermal 适配了一个 Stable Diffusion 模型，并使用详细的字幕来编码材料、天气和热辐射状态，从而实现对合成热图像的文本级控制。在基准数据集上的实验表明，该方法在热图像合成方面达到了最先进的性能，…
-
SuppreSensing 通过专家引导的特征重校准改进多模态目标检测
研究人员推出了一种新颖的多模态目标检测方法 SuppreSensing，旨在解决语义异质性和噪声干扰等挑战。该方法采用专家驱动的多模态特征重校准 (EMFR) 模块进行自适应专家选择，并采用特定模态的属性增强策略，通过建模差异模式来增强特征。此外，专家驱动的定制特征净化 (ECFP) 模块通过过滤冗余和强化任务相关语义来迭代地优化特征。在 DroneVehicle 和 VEDAI 数据集上的实验表明，SuppreSensing 取得了…
-
A2DINOv3 通过专家协作增强多模态目标检测
研究人员开发了 A2DINOv3，一种新颖的多模态目标检测框架，可提高在低光照等挑战性条件下的性能。该系统采用“社会化协作”方法，将 RGB 和红外分支视为独立的专家，并选择性地交换信息。该方法旨在保留预训练表示并避免模态之间的干扰，利用零初始化策略进行逐步集成。A2DINOv3 在航空检测、自动驾驶和监控等多个基准测试中均取得了最先进的成果。
-
新的 RGBT 物体检测方法 ProtoHGF-Net 使用原型级融合
研究人员推出了一种新的 RGB-Thermal (RGBT) 物体检测框架 ProtoHGF-Net，该框架将密集跨模态特征交互转变为更具选择性的原型级语义交互。该方法旨在通过在紧凑的原型空间中融合信息来改进目标相关表示的学习。该系统还采用了教师掩码校准蒸馏来抑制背景噪声并专注于目标特征，在 DroneVehicle、DVTOD 和 FLIR 等数据集上取得了最先进的成果。
-
CFGPNet框架通过新颖的注意力机制增强多光谱目标检测
研究人员推出了一种新颖的多光谱目标检测框架CFGPNet。该网络旨在改善可见光和红外图像之间的跨模态交互，解决融合不稳定和计算成本高的问题。CFGPNet采用增强的GELAN骨干网络，并结合了RepViT风格的模块以实现高效特征表示，同时引入了交叉计算高效注意力模块来优化特征交互。注意力选择与聚合融合网络进一步处理这些特征，而一个辅助分支则有助于优化。在五个公开基准上的实验表明，CFGPNet在各种尺度和条件下都表现出强大的性能和效率。
-
新的PNAFusion方法提高了多光谱目标检测效率
研究人员开发了一种名为渐进式像素邻域可变形交叉注意力（PNAFusion）的新方法来改进多光谱目标检测。该方法通过将特征交互和对齐集中在相关的局部邻域上来解决全局交叉注意力的计算成本问题。PNAFusion包含一个像素邻域交叉注意力模块以减少冗余匹配，以及一个自适应可变形对齐模块以捕捉非线性空间对应关系，并采用迭代反馈机制进行渐进式精炼。实验表明，在FLIR和M3FD等数据集上取得了显著的性能提升，实现了高mAP分数，同时与现有方法相…
-
WD-FQDet 在多光谱目标检测方面达到最先进水平
研究人员开发了WD-FQDet，一个新颖的检测框架，旨在通过有效结合红外和可见光图像特征来改进多光谱目标检测。该系统将模态共享和模态特定信息解耦到低频和高频域，从而实现定制化的融合策略。它包含了对齐共享特征和保留特定特征的模块，以及一个混合增强模块和一个频率感知查询选择机制。在多个数据集上的实验表明，WD-FQDet 达到了最先进的性能。