LLVIP
PulseAugur coverage of LLVIP — every cluster mentioning LLVIP across labs, papers, and developer communities, ranked by signal.
-
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EGM-Det框架通过自适应RGB-IR融合增强无人机目标检测能力
研究人员开发了EGM-Det，一种利用无人机（UAV）的RGB和红外（IR）图像进行目标检测的新型框架。该方法通过考虑空间变化的模态可靠性来自适应地融合多模态特征，这与使用静态权重的先前方法不同。EGM-Det引入了一个熵偏移门控融合模块，该模块利用熵先验来指导局部对齐和融合，选择性地聚合来自RGB和IR数据的可靠线索。在DroneVehicle、LLVIP和VEDAI数据集上的实验表明，EGM-Det取得了最先进的性能，在VEDAI…
-
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。
-
新的面向寄存器的框架增强了RGB-红外目标检测能力
研究人员开发了RegisterBridgeMM，一个新颖的RGB-红外目标检测框架，该框架利用预训练模型的寄存器令牌来促进跨模态通信。该方法通过利用寄存器摘要进行特征适应，避免了密集的块对块交互。该框架在四个基准测试中表现出卓越的性能，在LLVIP、M3FD、DroneVehicle和FLIR-Aligned数据集上使用冻结的骨干流实现了最高的mAP50-95。
-
新的LDFE块提升RGB-IR目标检测性能
研究人员开发了一种名为LDFE（拉普拉斯解耦特征增强）的新块，旨在通过融合RGB和IR图像的特征来改进目标检测。该方法将特征分解为全局和局部组件，然后使用专门的模块（GS2E和LC2E）进行去噪、融合和重建。LDFE块旨在捕捉远程依赖关系和细粒度细节，从而在多个基准数据集上实现显著的性能提升。
-
InfraNet框架通过质量感知RGB引导增强红外目标检测
研究人员推出InfraNet，一个专为红外图像中更鲁棒的目标检测而设计的新型框架，特别是在RGB数据可能不可靠的恶劣条件下。该系统采用以红外为中心的架构，在训练期间调节RGB引导，允许灵活部署RGB-IR或仅IR输入。关键组件QualGate智能抑制不可靠的RGB信号并增强IR特征，从而在基准数据集上提高准确性和效率。
-
新的LYNRED-MDS数据集针对低能见度行人检测
研究人员推出了LYNRED Mobility Dataset 多模态检测子集 (LYNRED-MDS)，这是一个旨在改善低能见度驾驶条件下早期碰撞预测的新数据集。这个LYNRED Mobility Dataset的子集包含在法国格勒诺布尔周边各种天气、光照和道路场景下拍摄的4000对RGB-红外图像。该数据集旨在通过涵盖现有数据集（如FLIR ADAS和LLVIP）未能充分解决的关键边缘案例，来增强高级驾驶辅助系统行人检测系统的泛化能力。
-
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。
-
新的BEM模块可抑制实时摄像机检测中的误报
研究人员开发了一种名为背景嵌入记忆（BEM）的新型无训练模块，旨在提高目标检测器在现实场景中的准确性。BEM通过估计背景嵌入并利用它们来惩罚虚假检测，从而在无需额外训练的情况下减少误报。该方法在LLVIP等数据集和模拟监控流上的各种检测器家族中显示出一致的改进，并保持了实时性能。