YOLOv11n
PulseAugur coverage of YOLOv11n — every cluster mentioning YOLOv11n across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架通过遮挡增强目标追踪能力
研究人员开发了一个新框架，旨在改善在完全和长期遮挡场景下的目标追踪。该系统集成了 YOLOv11n 对象检测、用于运动预测的卡尔曼滤波器以及用于身份恢复的遮挡感知掩码网络。在 OVIS 数据集上与 OccluTrack 进行基准测试，该框架在追踪准确性和身份保持方面表现出显著改进，身份切换减少了 12% 以上。该系统在自定义军事数据集上也表现强劲，凸显了其在需要视线丢失期间持续追踪的国防和监控应用中的潜力。
-
新模型将输入分辨率与目标检测延迟联系起来
研究人员开发了一个新模型，用于理解输入分辨率如何影响实时目标检测系统的延迟。该模型将总延迟视为预处理、推理和后处理阶段的卷积，其参数取决于源图像分辨率。使用 YOLOv11n 在 NVIDIA Jetson Orin NX 上对 COCO2017 图像进行的实验表明，这种分辨率感知参数化可以改善分布近似，尤其是在使用 Normal 和 Gamma 等更灵活的模型时。
-
YOLOv11模型在自动化伤口分割和分类中达到高精度
研究人员开发了两种基于YOLOv11架构的新型实例分割模型，用于自动化伤口评估。这些模型旨在对五种不同的伤口类型（包括烧伤、压疮、糖尿病足溃疡、血管性溃疡和手术伤口）进行边界分割和分类。该研究使用了包含2,963张已标注图像的平衡数据集，数据增强技术显著提高了性能，尤其是在视觉上不明显的烧伤方面。YOLOv11x在边界分割方面表现更优，而YOLOv11m和YOLOv11l在伤口分类方面取得了高精度，轻量级的YOLOv11n在实际部署中…
-
新的OWL框架为航空野生动物调查设定了SOTA
研究人员开发了架空野生动物定位器（OWL），一个用于航空野生动物调查的新型弱监督框架。OWL提供三种变体——OWL-C、OWL-T和OWL-D，每种都针对不同的调查条件进行了定制，从稀疏的固定翼飞机图像到密集的无人机数据。OWL-D变体利用了一个冻结的DINOv3 ViT-H+/16编码器，在多个数据集上取得了最先进的性能，并已成功应用于真实的北美驯鹿普查，证明了其运行就绪性。该项目还发布了用于北美驯鹿调查的代码、模型权重和新的标注数据集。
-
CADENet 提升自动驾驶汽车在恶劣天气下的感知能力
研究人员开发了 CADENet，这是一个旨在提高自动驾驶汽车在雨、雾、雪等恶劣天气条件下物体检测能力的新系统。该系统采用三线程方法，可在不引入延迟的情况下提高图像质量，这对于实时安全要求至关重要。CADENet 利用条件自适应增强和 CLIP 零样本天气分类，使其能够在无需重新训练的情况下适应新的天气类型。