R-CNN
PulseAugur coverage of R-CNN — every cluster mentioning R-CNN across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
R-CNN框架可从图像中准确识别棋盘局面
研究人员开发了一种新颖的基于R-CNN的框架，用于从单个图像中识别棋盘局面。该系统独立处理棋子识别和棋盘几何估算，并结合它们的输出来完成局面重建。改进的Faster R-CNN模型通过类加权目标和更深的分类头，显著提高了棋子检测精度。此外，还利用Mask R-CNN预测棋盘方向的关键点和单应性估算，将棋子位置映射到8x8网格，从而实现高度准确的格分配和整体局面恢复。
-
MITE-Net: SWaP 优化的嵌入式边缘 SAR 4K 视频微小目标感知
研究人员开发了 MITE-Net，这是一种专为嵌入式边缘合成孔径雷达 (SAR) 任务设计的、用于 4K 视频中实时微小目标感知的创新架构。该系统针对尺寸、重量和功耗 (SWaP) 约束进行了优化，解决了下采样造成的特征丢失和基于切片处理的延迟问题。MITE-Net 集成了一个无学习的基于运动的区域提议网络和一个类似小型 R-CNN 的头部，并在新构建的 SAR-Tiny 数据集上进行了评估。在 NVIDIA Jetson AGX X…
-
大型视觉-语言模型在SOTIF合规的自动驾驶车辆目标检测方面展现出潜力 · 跟踪2个来源
一项新的研究论文评估了大型视觉-语言模型（LVLMs）在自动驾驶系统中的二维目标检测能力，重点关注预期功能安全（SOTIF）条件。该研究使用了PeSOTIF数据集，将包括Gemini 3在内的十个LVLMs与YOLOv5和RT-DETRv4等专用检测器进行了比较。结果表明，在自然退化条件下，顶尖的LVLMs展现出更高的召回率和与专用检测器相当的性能，尽管在特定扰动下，后者的几何精度仍具有优势。
-
新型优化器ZENITH为计算机视觉模型自动化学习率调度
研究人员推出了一种名为ZENITH的新型优化器，旨在为深度计算机视觉模型自动化学习率调度。与现有的自适应优化器不同，ZENITH的计算和内存开销为零，并且与正则化技术兼容。在各种图像分类、目标检测和分割任务上的实验表明，与基线方法相比，ZENITH能在更短的时间内获得更高的准确率。另一篇论文重新审视了分析随机梯度算法的经典假设，重点关注方差假设及其在确定性和随机优化问题中的相关性。