Thermal
PulseAugur coverage of Thermal — every cluster mentioning Thermal across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
ECCV 2026：AI研究涵盖3D重建、城市和热成像
研究人员在欧洲计算机视觉会议（ECCV）上展示了涵盖3D重建、城市环境和热成像等主题的工作。会议定于两年后再次举行。
-
新的SAM-Radar框架通过多模态传感器融合增强物体跟踪
研究人员推出了RGBTR-Motion，这是一个用于移动物体分割和跟踪的新基准数据集，集成了RGB、热成像和雷达流。他们还开发了SAM-Radar，一个利用这些多模态输入（特别是雷达数据）的框架，以提高在光照不足或遮挡等挑战性条件下的跟踪鲁棒性。SAM-Radar融合了校准的RGBT特征和投影的雷达回波，利用运动监督来区分真实运动，并将雷达数据与轨迹关联起来以保持物体身份。
-
证据深度学习增强多模态反无人机检测
研究人员探索了证据深度学习（EDL）在改进多模态反无人机检测系统中的应用。第一篇论文在AntiUAV600、TRIDENT和MM-UAV等基准上研究了EDL头和Dempster-Shafer融合，发现EDL训练目标提高了准确性。第二篇论文将EDL扩展到RGB-热融合，在Anti-UAV基准上使用折扣信念融合（DBF），展示了准确性和实时性能的提高，尽管由于该特定数据集几乎普遍存在冲突，DBF的冲突折扣机制在该数据集上表现不活跃。
-
多模态AI从无人机视频中对赤鹿进行性别和年龄分类
研究人员开发了一种多模态方法，利用航空RGB-热成像视频对赤鹿的性别和生命阶段进行分类。通过在每个阶段融合来自两个传感器的信息，该流程比单独使用任何一种模态都能提高准确性。这个自动化系统可以将无人机调查从简单的计数转变为可重复的人口统计评估，为野生动物管理提供关键数据。
-
季节性先验知识提高了航空影像中野生动物的分类精度
研究人员开发了一种通过纳入季节性先验知识来提高航空影像中野生动物分类精度的方法。该方法解决了动物占据像素区域小以及季节性视觉线索变化等挑战。通过分析红鹿的鹿角周期，该研究展示了季节性结构如何影响标注质量、分类准确性和选择性预测。研究结果表明，结合RGB和热成像，并以生物学为基础的季节性日历为指导，可以同时提高标注协议和模态权重，以实现更可靠的识别。
-
新框架从RGB面部视频中学习疼痛线索，即使缺少热成像/深度数据
研究人员开发了ReMiX-MAE，一个自监督多模态掩码预训练框架，旨在从同步的RGB、热成像和深度视频中学习面部表示。该框架专门设计用于应对缺失模态的鲁棒性，允许仅使用RGB数据进行部署。为了支持这项研究，收集了一个名为交感神经介导疼痛（SMP）的新数据集，其中包含治疗前后配对的记录。评估表明，ReMiX-MAE在数据有限的临床场景中优于仅RGB的基线，并且在外部数据集上表现出更好的可迁移性。
-
新框架提升多模态视觉跟踪的准确性和效率
两篇新研究论文提出了一种用于统一多模态视觉跟踪的新颖框架，旨在提高准确性和效率。第一篇论文介绍了ACTrack，这是一个代理协调框架，它将各种模型视为工具，以利用它们在目标识别和运动预测方面的互补优势。第二篇论文侧重于通过知识蒸馏与结构剪枝相结合来创建紧凑、高效的多模态跟踪器，特别是针对预测头，以实现边缘设备的实时推理。
-
SegFly数据集和2D-3D-2D范式推动航空语义分割发展
研究人员推出了SegFly，一个用于航空RGB和热红外语义分割的大规模数据集和新颖的2D-3D-2D范式。这种新方法通过利用航空图像中的多视图冗余来自动化标签生成，显著降低了手动标注成本并提高了效率。SegFly数据集包含超过20,000张RGB图像和15,000对对齐的RGB-T图像对，覆盖了多样化的环境和高度，并为航空场景理解奠定了基准。