LW-DETR
PulseAugur coverage of LW-DETR — every cluster mentioning LW-DETR across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型 DRAFE 模型提升跨城市交通目标检测能力
研究人员开发了 DRAFE，一种新颖的交通目标检测集成方法，可提高跨城市泛化能力和细粒度识别。DRAFE 结合了两个独立训练的检测 Transformer，LW-DETR 和 RF-DETR，并采用两阶段训练策略。该方法包括在一个包含 6,000 多张图像的精选语料库上进行预训练，然后在 Project Hafnia Track 6 数据集上进行微调。该系统在 AI City Challenge 2026 Track 6 上取得了 0…
-
TinyDETR-Pose赋能边缘设备实时6DoF物体姿态估计
研究人员开发了TinyDETR-Pose，一个用于资源受限硬件上实时6DoF物体姿态估计的新型框架。这个端到端、单阶段的系统利用轻量级Transformer架构，在单次前向传播中联合检测物体并回归其完整的6D姿态。通过将问题表述为集合预测任务并采用专用的MLP头，TinyDETR-Pose无需传统的PnP算法、NMS或迭代优化，在显著降低计算成本的同时实现了具有竞争力的准确性。该框架在NVIDIA Jetson Nano上实现了约4.…
-
合成数据管道为划痕检测生成带标注的训练数据
研究人员开发了ScratchSim，一个使用BlenderProc生成表面划痕检测带标注训练数据的程序化合成数据管道。该方法解决了工业质量控制中带标注缺陷数据有限的挑战。该管道提供可配置的材料外观、相机模式和域随机化，生成自动COCO格式标注。评估表明，使用合成数据微调的模型优于仅真实数据训练的模型，并且混合训练能有效恢复稀缺真实数据下的性能，预示着在设备端工业检测中的潜力。
-
新管线生成合成工业缺陷以扩充稀缺的真实世界数据
研究人员开发了 SynSur，一个用于生成合成工业表面缺陷的端到端管线，以解决缺陷检测中标记数据稀缺的问题。该管线结合了视觉语言模型、LoRA 适配的扩散模型和掩码引导的图像修复技术，以创建逼真的缺陷样本。实验表明，虽然合成数据本身不能替代真实数据，但当与现有数据集结合使用时，可以提高性能，尤其是在改进训练方案和跨域迁移方面。