Yolox Object Detection
PulseAugur coverage of Yolox Object Detection — every cluster mentioning Yolox Object Detection across labs, papers, and developer communities, ranked by signal.
-
合成数据管道为划痕检测生成带标注的训练数据
研究人员开发了ScratchSim，一个使用BlenderProc生成表面划痕检测带标注训练数据的程序化合成数据管道。该方法解决了工业质量控制中带标注缺陷数据有限的挑战。该管道提供可配置的材料外观、相机模式和域随机化，生成自动COCO格式标注。评估表明，使用合成数据微调的模型优于仅真实数据训练的模型，并且混合训练能有效恢复稀缺真实数据下的性能，预示着在设备端工业检测中的潜力。
-
新框架实现无标定3D多摄像头人员跟踪
研究人员开发了一种新颖的、面向室内环境的无标定3D多摄像头人员跟踪框架。该系统集成了多个深度学习模型，包括用于检测的YOLOX、用于跟踪的BoT-SORT、用于外观嵌入的OsNet以及用于几何重建的Visual Geometry Grounded Transformer。通过直接从视觉数据推断3D结构并采用姿态引导的3D提升策略，该框架消除了对精确摄像头标定的需求，而这在以往的方法中是一个主要的瓶颈。在AI City Challeng…
-
边缘AI系统利用姿态估计预测和检测跌倒
研究人员开发了一个基于视觉的系统，利用AMD Kria K26 System-on-Module (SOM)上的人体姿态估计来预测和检测老年人的跌倒。该系统捕获RGB和深度数据，在边缘设备上进行处理以估计关节关键点，然后使用CNN对跌倒活动进行分类，同时丢弃RGB帧以保护隐私。多线程管道实现了4.5 FPS的吞吐量，并证明了用于老年人监控的独立于云的、保护隐私的解决方案的可行性。
-
新管线生成合成工业缺陷以扩充稀缺的真实世界数据
研究人员开发了 SynSur，一个用于生成合成工业表面缺陷的端到端管线，以解决缺陷检测中标记数据稀缺的问题。该管线结合了视觉语言模型、LoRA 适配的扩散模型和掩码引导的图像修复技术，以创建逼真的缺陷样本。实验表明，虽然合成数据本身不能替代真实数据，但当与现有数据集结合使用时，可以提高性能，尤其是在改进训练方案和跨域迁移方面。