Vedda people
PulseAugur coverage of Vedda people — every cluster mentioning Vedda people across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架提升标签高效可见光-红外目标检测能力
研究人员开发了一个名为对齐共识教师（ACT）的新框架，以改进可见光-红外图像中的标签高效定向目标检测。该方法解决了双模态检测中半监督学习的挑战，特别是在只有少量图像对被完全标注的情况下。ACT 结合了循环一致性区域对齐以实现稳健的跨模态匹配，跨模态共识均值教师以生成伪标签，以及文本引导的跨模态实例增强以解决尾部类别标注稀缺的问题。在 DroneVehicle 和 VEDAI 数据集上的实验证明了 ACT 的有效性，即使在标注数据有限的…
-
SuppreSensing 通过专家引导的特征重校准改进多模态目标检测
研究人员推出了一种新颖的多模态目标检测方法 SuppreSensing，旨在解决语义异质性和噪声干扰等挑战。该方法采用专家驱动的多模态特征重校准 (EMFR) 模块进行自适应专家选择，并采用特定模态的属性增强策略，通过建模差异模式来增强特征。此外，专家驱动的定制特征净化 (ECFP) 模块通过过滤冗余和强化任务相关语义来迭代地优化特征。在 DroneVehicle 和 VEDAI 数据集上的实验表明，SuppreSensing 取得了…
-
新的EGM-Det框架通过自适应RGB-IR融合增强无人机目标检测能力
研究人员开发了EGM-Det，一种利用无人机（UAV）的RGB和红外（IR）图像进行目标检测的新型框架。该方法通过考虑空间变化的模态可靠性来自适应地融合多模态特征，这与使用静态权重的先前方法不同。EGM-Det引入了一个熵偏移门控融合模块，该模块利用熵先验来指导局部对齐和融合，选择性地聚合来自RGB和IR数据的可靠线索。在DroneVehicle、LLVIP和VEDAI数据集上的实验表明，EGM-Det取得了最先进的性能，在VEDAI…
-
CFGPNet框架通过新颖的注意力机制增强多光谱目标检测
研究人员推出了一种新颖的多光谱目标检测框架CFGPNet。该网络旨在改善可见光和红外图像之间的跨模态交互，解决融合不稳定和计算成本高的问题。CFGPNet采用增强的GELAN骨干网络，并结合了RepViT风格的模块以实现高效特征表示，同时引入了交叉计算高效注意力模块来优化特征交互。注意力选择与聚合融合网络进一步处理这些特征，而一个辅助分支则有助于优化。在五个公开基准上的实验表明，CFGPNet在各种尺度和条件下都表现出强大的性能和效率。
-
新的LDFE块提升RGB-IR目标检测性能
研究人员开发了一种名为LDFE（拉普拉斯解耦特征增强）的新块，旨在通过融合RGB和IR图像的特征来改进目标检测。该方法将特征分解为全局和局部组件，然后使用专门的模块（GS2E和LC2E）进行去噪、融合和重建。LDFE块旨在捕捉远程依赖关系和细粒度细节，从而在多个基准数据集上实现显著的性能提升。