- 博客(35)
- 收藏
- 关注
RSS订阅原创 检测结果进行目标关联调研
训练出一个视觉特征提取器，可以直接用于reid，因为resnet等backbone依赖于在imagenet上进行大量训练。中大和美团提出OV-DINO：语言感知的开放域目标检测方法！NVIDIA新作MATCHA：首次使用单一特征，统一全部特征匹配任务。
2025-03-17 16:54:34
949
原创 图像和点云配准调研
DeepI2P：基于深度分类的图像对点云配准所有指标全面领先！图像-点云配准最新SOTA！CoFiI2P详细介绍！Differentiable Registration of Images and LiDAR Point Clouds with VoxelPoint-to-Pixel Matching
2025-02-17 15:53:58
235
原创 图像匹配方面文献阅读
在各种场景下建立可靠的特征匹配是摄影测量中的一个长期开放性问题。基于注意力的无检测器匹配方法，结合粗到细的架构，已经成为建立匹配的典型流程，但具有全局感受野的跨注意力模块可能会通过引入无关区域（外点）而妥协结构局部一致性。运动场可以保持结构的局部一致性，前提是相邻特征的匹配应具有空间邻近性。然而，运动场只能估计连续图像之间的局部位移，在没有空间相关先验的情况下，难以处理大范围位移估计，尤其是在大规模变化的场景中。
2025-01-06 11:10:06
879
1
原创 多无人机协同关于通信方面的文章调研
无人驾驶飞行器（UAV）在情报、监视和侦察（ISR）任务中扮演着越来越重要的角色，如边境巡逻和犯罪侦测，因为它们能够进入偏远区域并将实时图像传输到处理服务器。然而，UAV在载荷尺寸、功率限制和通信带宽方面受到较大制约，因此需要开发高效且有选择性的数据传输策略。这推动了各种UAV压缩和优化传输技术的发展。然而，大多数方法都力图在传输的视频帧中保留最大的信息，忽略了这样一个事实：在涉及移动目标检测与跟踪（OD/OT）的ISR场景中，图像/视频帧的某些部分才是真正对最终任务目标有意义的贡献。
2024-11-15 11:13:03
1043
原创 NeurIPS24 | 多无人机协作精确预测车辆等目标移动轨迹, Drones Help Drones
协作轨迹预测通过多视角互补信息全面地预测物体的未来运动。然而，在多无人机协作环境中，它面临两个主要挑战。首先，广阔的空中观测使得精确生成鸟瞰视图（BEV）表示变得困难。其次，过多的交互会导致无法满足有限的无人机通信带宽要求的实时预测。为了应对这些问题，我们提出了一种新颖的框架，名为“无人机帮助无人机”（DHD）。首先，我们结合无人机倾斜观测所提供的地面先验信息来估计物体与无人机之间的距离，从而生成更加精确的BEV表示。
2024-11-06 16:11:25
2264
原创 从开发板传送文件回本地
rsync -avz --progress -e “ssh -p 134” --exclude ‘*.mp4’ nvidia@lab.mlboy.site:~/from30t/flask/recorder ~/zz_xiangmmu/uav_result
2024-10-19 00:22:58
251
原创 多机协同文献调研（更新中，纯做笔记，自用）
关键词：ultiview Detection 多视图检测，https://blog.csdn.net/c9Yv2cf9I06K2A9E/article/details/123766663，多视角融合检测多视角目标检测参考帖子1：https://www.zhihu.com/question/651573920/answer/3468794482?综述：3D object detection for autonomous driving: A comprehensive survey。
2024-09-27 23:14:49
1741
原创 ros跨平台订阅和发布消息（ip如何设置）
lo: 是本地环回接口（localhost），它的IP地址是 127.0.0.1。docker0: 是 Docker 虚拟网络接口，不用于外部网络通信。enp8s0: 是你的以太网接口，但在此例中没有分配到IP地址。假设无人机的 IP 地址是 192.168.1.20。: 是你的无线网络接口，其IPv4地址。是你计算机在本地网络中的地址。
2024-09-19 16:43:41
657
原创 ros中地面站和无人机跨平台数据传递，使用 UDP 进行跨平台传输（python代码）
1_GroundObject.msg 文件的内容应为：VEHICLE_OBJ_COOP.msg 文件的内容应为：1.2 文件夹结构1.3 CMakeLists.txt修改在 CMakeLists.txt 中，需要确保自定义消息的生成和依赖性已经添加。1.4 package.xml在 package.xml 中，添加对 message_generation 和 message_runtime 的依赖：2.UDP 发送代码（ground_udp_publisher.py）2.1代码解释s
2024-09-13 10:26:44
1018
原创 在ros中进行无人机和无人车之间的通信（代码）
注意：包名可以自定义（例如 drone_car_comm），但需要正确引用ROS依赖库如 rospy 和 sensor_msgs。
2024-09-11 21:10:01
1327
原创 多无人机多目标跟踪Robust Multi-Drone Multi-Target Tracking to Resolve Target Occlusion: A Benchmark
多无人机多目标跟踪旨在协同检测和跟踪多个无人机中的目标，并关联来自不同无人机的对象身份，从而克服单无人机目标跟踪的缺点。为了解决多无人机多目标跟踪任务中身份关联和目标遮挡的关键挑战，我们收集了一个感知遮挡的多无人机多目标跟踪数据集，称为MDMT。该数据集包含88段视频序列，39,678帧，包括11,454个不同的ID（行人、自行车和汽车）。MDMT数据集包含2,204,620个边界框，其中543,444个边界框包含目标遮挡。
2024-09-09 00:19:07
2241
原创 卫星图像检测，分割，跟踪，超分辨率，数据集调研，以及论文笔记
目标检测，针对物体有很多类如桥，烟囱，罐子等，有静态图像下的检测，也就是图像源头多来自谷歌地图，但是前后帧没有任何联系，并且谷歌地图相对来说比较清楚，难度小一点，也有粗粒度以及较细粒度的检测，然后卫星视频的数据集较少，则可以通过前后帧的联系来辅助检测，并且卫星帧基本上只对车，船，飞机，火车进行检测，没有进行细粒度的检测即将车辆分类为卡车，皮卡，小轿车，但是关船，则可以分类为货船以及军舰，因为目前的卫星视频中小车实在太少了，难以进行更细粒度的检测。luojia 三号卫星。
2024-08-12 22:47:47
2806
1
原创 2023卫星视频综述论文Recent Advances in Intelligent Processing of Satellite Video
卫星视频的智能处理侧重于通过智能图像/视频处理技术，从地球观测视频中提取地面对象和场景的特定信息，这在交通监控、资源监控和环境监测等领域具有重要应用。深度学习技术在卫星视频处理中的融合已经在对象检测和对象跟踪等任务上取得了显著进展，并扩展到了卫星视频场景分类和对象分割等新兴研究领域。然而，目前在卫星视频智能处理方面尚缺乏全面的综述和总结。本文对过去十年发表的成果进行了系统综述和定量分析，旨在进一步推动卫星视频智能处理任务的发展。文章分析了各个任务的当前困难、挑战以及方法体系。
2024-08-12 22:46:33
1331
原创 遥感图像目标检测，跟踪，分割，标注，超分等文献搜集
遥感图像目标检测，跟踪，分割，标注，超分等文献调研1.目标检测2024BSVOS: Background Interference Suppression Strategy for Satellite Video Multi-Object SegmentationSVSDet: A Fine-Grained Recognition Method for Ship Target Using Satellite Video1.目标检测2024BSVOS: Background Interference S
2024-08-12 21:16:11
528
原创 Vehicle Perception from Satellite（2024 TPAMI 卫星视频车流量监控）
最近，随着航空航天技术的显著进步，商业卫星能够捕捉到超高分辨率（VHR）视频 [1], [2]。例如，吉林一号卫星能够以0.72米的空间分辨率观测地球 [3]。SkySat-1卫星提供分辨率约为1米的VHR视频 [4]。这些卫星可以动态监控城市尺度的地面情况，车辆可以清晰地看到 [5]。卫星拍摄的VHR视频为交通监控提供了新的视角。地理范围的无限性：卫星超越了地理限制，涵盖了城市、农村和偏远地区的地形。它动态地在轨道上运行，为全面的车辆监控提供了全景视角。相比之下，监控摄像头仅限于城市中心和关键交通枢纽。
2024-08-12 17:32:47
881
原创 基于transformer的单目标跟踪算法学习笔记
目前主流的跟踪方法是基于transformer，而主要方向是1.language-vision tracking 2.人体姿态变化的跟踪3.3d目标跟踪 4.轻量化网络用于无人机端 5.无监督学习＋transformer 6.基于diffusion的目标跟踪 7.大模型辅助sot。
2024-08-02 19:20:45
4555
1
原创 目标跟踪Martin Danelljan论文follow
目标跟踪Martin Danelljan论文follow2022Transforming model prediction for tracking(简称TOMP)Visual object tracking with discriminative filters and siamese networks: a survey and outlook2023Ovtrack: Open-vocabulary multiple object trackingEfficient visual tracking wi
2024-07-27 12:12:36
459
原创 fairmot代码解析（自己在看代码做笔记用）
模型的定义如下其中create_model和 load_mode都定义在src/lib/models/model.py中其中 output = self.model(im_blob)[-1]是调用网络输出detection和Re-id结果：具体包括中心点heatmap图分支、中心点offset分支、目标大小分支。hm：heatmap图分支包含C个通道，每一个通道包含一个类别，同一个类别的目标在一个heatmap图上，官方代码是只检测人，所以c=1。reg：判断是前景还是后景。
2024-03-27 10:51:24
983
原创 图像拼接IEEE trans——Multi-Viewpoint Panorama Construction With Wide-Baseline Images Images
文章源自IEEE TRANSACTIONS ON IMAGE PROCESSING在这篇论文中，我们提出了一种用于广角基线图像的拼接方法。我们的主要贡献是采用基于网格的框架，结合各种项来优化图像对齐。引入了一种新颖的尺度保持项，使得对齐几乎平行于图像平面，同时仍允许进行局部透视校正。一种新的接缝切割模型减少了由于难以处理传统接缝切割算法[8]，[9]中的误对齐而引起的视觉伪影。图1展示了一个具有挑战性的城市场景示例，其中包含了14张在不同位置拍摄的图像。我们生成的全景图具有视觉吸引力。
2023-08-05 00:36:32
330
原创 图像拼接文献阅读ECCV2016——SEAGULL: Seam-Guided Local Alignment for Parallax-Tolerant Image Stitching
图像拼接中的大视差是一个具有挑战性的问题。全局对齐通常会引入明显的伪影。常见的策略是进行部分对齐，以便更容易寻找用于拼接的良好缝隙。与现有方法不同的是，我们明确地使用估计的缝隙来引导优化局部对齐的过程，从而使缝隙质量在每次迭代中得到改进。此外，我们引入了一种新颖的保持结构的变形方法，用于在变形过程中保留显著的曲线和直线结构。这些措施显著提高了我们的方法在处理大视差下的各种具有挑战性的图像时的效果。可以看出，和Parallax-tolerant Image Stitching一样，本文也是采用粗对齐+精对齐。
2023-08-03 12:55:13
769
原创 图像拼接2014CVPR文章——Parallax-tolerant Image Stitching
本文贡献：1.首先开发了一种高效的随机算法，用于寻找不完全精确的局部对齐(只采用了部分重叠区域的特征点)的单应性变换(粗对齐在这个过程中，通过从粗略对齐的图像中找到一个合理的缝隙（seam），并使用缝隙的代价来评分单应性变换。2.还开发了一种基于图割的缝隙查找方法，它可以从仅粗略对齐的图像中估计出合理的缝隙，同时考虑几何对齐和图像内容。3.一旦找到了最佳的单应性变换，我们将其用于预先对齐输入图像，然后再使用内容保持变形来细化对齐效果。（这一步所谓内容保持变形。
2023-08-03 00:09:16
717
原创 图像拼接CVPR2015文章——AANAP代码详解
Adaptive As-Natural-As-Possible Image Stitching是CVPR2015的一篇文章代码文章pdf文章提出了一种新的图像拼接方法，结合了几种技术，使全景图看起来更加自然。（1）为了减轻As-Projective-As-Possible (APAP) [12]拼接中出现的透视失真，我们对与其他图像没有重叠的区域中的单应性矩阵进行了线性化处理。（2）自动估计了在重叠区域中使用一部分对应点得到的全局相似变换。
2023-08-02 16:24:43
1028
原创 2020最新的一种特征描述符BEBLID(只需一行代码就可以获得比ORB高14%的性能)
2020最新的一种特征描述符BEBLID（只需一行代码就可以获得比ORB高14%的性能）
2023-06-08 01:12:59
688
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人