RT-DETR-L
PulseAugur coverage of RT-DETR-L — every cluster mentioning RT-DETR-L across labs, papers, and developer communities, ranked by signal.
-
UFO-DETR框架提升UAV小目标检测能力
研究人员开发了UFO-DETR，一个新颖的端到端目标检测框架，旨在提高无人机（UAV）图像中小目标的检测能力。该框架采用基于LSKNet的主干网络，以优化感受野和减少参数，并结合DAttention和AIFI模块有效建模多尺度空间关系。此外，DynFreq-C3模块通过利用跨空间频率特征增强来提升微小目标的检测性能。实验表明，UFO-DETR在检测性能和计算效率方面均优于RT-DETR-L，使其成为UAV边缘计算的合适解决方案。
-
YOLO-PEFT框架增强了实时目标检测器的微调性能
研究人员开发了YOLO-PEFT，一个旨在改进YOLO等实时目标检测模型参数高效微调（PEFT）的新框架。与可能因检测器复杂结构而失败的通用PEFT方法不同，YOLO-PEFT采用一种感知结构的方来规划适配器放置，确保兼容性并避免静默失败。该方法在YOLO11s和YOLO12s上实现了比完整微调更高的mAP分数，并在YOLO11上将峰值训练内存减少了近44%，尽管训练时间有所延长。
-
AI模型在中国农村道路上表现不佳；合成数据提供部分解决方案
研究人员开发了一个新的数据集和评估方法，用于中国农村自动驾驶场景下的目标检测，以解决数据稀缺的挑战。该研究将河南省卫辉市的真实世界数据与使用Unreal Engine生成的合成数据混合，创建了一个包含14个类别的目标系统。通过评估13种主流检测器，他们发现适量的合成数据可以提高性能，其中YOLO11m取得了最高的[email protected]。然而，过多的合成数据会导致域偏移，并且检测长尾、非标准物体仍然存在挑战。