RetinaNet
PulseAugur coverage of RetinaNet — every cluster mentioning RetinaNet across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
综述论文分析自动驾驶中的单阶段目标检测器
一篇新的综述论文全面分析了对自动驾驶系统至关重要的单阶段目标检测器。文章追溯了这些检测器的演变，从早期的YOLOv1和SSD等模型到EfficientDet和YOLOv10等更新的架构。论文比较了它们的设计选择、特征融合、损失函数和性能基准，同时讨论了数据集、评估指标以及在实现可靠的真实世界性能方面面临的持续挑战。
-
深度学习模型推进公用设施电线杆和标志检测
研究人员开发了一个深度学习框架，用于检测、分割和估算公用设施电线杆的倾斜角度，并对附着的警示标志进行分类。该系统基于改进的检测Transformer (DETR) 模型，在包含4,570张来自Google Street View的标注图像的自定义数据集上进行了训练。这种方法优于RetinaNet和YOLOv3-Tiny等标准对象检测器，在电线杆和标志检测方面均实现了高平均精度。该框架还能生成掩码，用于准确估算电线杆倾斜角度，在测试集上…
-
病理学基础模型在有丝分裂计数检测方面展现潜力
研究人员探索了病理学基础模型（FMs）作为有丝分裂计数检测编码器的有效性，将其应用从通常的分类任务扩展开来。该研究将几种基础模型，包括H-optimus-0和Virchow模型，与ResNet50基线进行了比较，并将它们集成到不同的检测架构中，如RetinaNet、Faster R-CNN和Deformable DETR。结果表明，H-optimus-0和Virchow模型表现出具有竞争力的性能，这表明通过图像级自监督训练的基础模型潜…
-
优化RetinaNet架构实现汽车系统的实时语义分割
研究人员开发了一种名为Opt-RetinaSeg的优化语义分割架构，该架构源自RetinaNet检测框架，专门用于嵌入式汽车系统的实时感知。该新架构采用轻量级特征提取器、重构的特征金字塔网络和紧凑的分割头。通过剪枝、量化和知识蒸馏等三阶段优化过程，Opt-RetinaSeg与基线模型相比实现了显著的速度提升和尺寸减小，同时精度损失极小，使其适用于资源受限的汽车硬件。
-
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。
-
AI模型在处理真实的地球观测图像失真时遇到困难
一项新的研究论文介绍了一种增强的图像模拟器，用于生成受大气湍流和卫星指向误差影响而退化的真实地球观测（EO）图像。该研究使用此模拟数据评估了YOLOv8和RetinaNet模型在船只检测任务上的性能。结果表明，在退化条件下，YOLOv8的召回率显著下降，而RetinaNet表现出更强的鲁棒性，保持了更高的召回率。
-
发布BifDet数据集用于CT扫描中的3D气道分叉检测
研究人员发布了BifDet，一个用于在CT扫描中检测3D气道分叉的新数据集。该数据集填补了分析肺部生理学和疾病机制方面资源的重大空白。BifDet包含来自ATM22队列的标注CT扫描，并为父子气道分支提供了边界框。该论文还通过对RetinaNet和DETR模型进行微调和评估以进行分叉检测，展示了该数据集的实用性，并为未来的研究提供了基线结果。