【计算机视觉】计算机视觉与模式识别关于目标检测的学术速递[10.23]

检测相关(5篇)

【1】 Deep-Learning-based Change Detection with Spaceborne Hyperspectral PRISMA data

标题：基于深度学习的星载高光谱棱镜数据变化检测

https://arxiv.org/abs/2310.13627

变化检测（CD）方法已被应用于光学数据几十年，而使用高光谱数据与精细的光谱分辨率一直很少探索。光盘应用于若干部门，如环境监测和灾害管理。由于PRISMA，现在可以从空间获得高光谱CD。在这项工作中，我们将标准和深度学习（DL）CD方法应用于不同的目标，从自然到城市地区。我们提出了一个管道从配准，其次是CD与全光谱算法和DL网络开发的光学数据。我们发现植被和建筑环境的变化被很好地捕捉到了。光谱信息对于识别细微变化很有价值，与统计方法相比，DL方法受噪声的影响较小，但大气影响和缺乏可靠的地面实况是高光谱CD的主要挑战。

【2】 Boosting Generalization with Adaptive Style Techniques for Fingerprint Liveness Detection

标题：基于自适应风格的指纹活性检测泛化

https://arxiv.org/abs/2310.13573

我们介绍了一种高性能的指纹活性特征提取技术，该技术在LivDet 2023指纹表示挑战赛中获得了第一名。此外，我们开发了一个实用的指纹识别系统，准确率为94.68%，在LivDet 2023 Liveness Detection in Action中获得第二名。通过研究各种方法，特别是风格转移，我们证明了在面对有限的训练数据时，准确性和泛化能力的提高。因此，我们的方法在LivDet 2023挑战中取得了最先进的性能。

【3】 A review of individual tree crown detection and delineation from optical remote sensing images

标题：光学遥感图像单株树冠检测与勾画研究进展

https://arxiv.org/abs/2310.13481

在光学遥感传感器的进步的推动下，产生非常高的空间分辨率多光谱图像为以自动化方式实现成本效益高和高精度的森林调查和分析提供了巨大的潜力。大量的研究，旨在提供一个清单，以每一个单独的树的水平已经产生了各种各样的方法，单树冠检测和描绘（ITCD）。本文综述了ITCD方法在树木树冠检测和轮廓提取中的应用，并系统地回顾了ITCD方法在光学遥感图像中的应用研究现状。为了提供一个清晰的现有ITCD工作的知识图谱，我们对最近的ITCD论文进行了全面的回顾，以建立一个元数据分析，包括算法，研究地点，树种，传感器类型，评估方法等。我们将回顾的方法分为三类：（1）传统的图像处理方法（如局部最大值滤波、图像分割等）; (2)传统的机器学习方法（如随机森林、决策树等）;（3）基于深度学习的方法。随着面向深度学习的方法贡献了大部分论文，我们进一步讨论了基于深度学习的方法，如语义分割和对象检测方法。此外，我们讨论了四个ITCD相关的问题，以进一步了解ITCD域使用光学遥感数据，如多传感器数据和光学数据在ITCD域的比较，不同的算法和不同的ITCD任务之间的比较等。最后，本文介绍了ITCD的应用前景，并对未来ITCD的研究热点进行了展望。

【4】 Zone Evaluation: Revealing Spatial Bias in Object Detection

标题：区域评估：揭示目标检测中的空间偏差

https://arxiv.org/abs/2310.13215

对象检测器的基本限制是它们遭受“空间偏差”，并且特别是在检测图像边界附近的对象时表现得不太令人满意。长期以来，人们缺乏有效的测量和识别空间偏差的方法，对空间偏差的来源和程度知之甚少。为此，我们提出了一个新的区域评估协议，从传统的评估扩展到一个更广义的，它测量区域的检测性能，产生一系列的区域精度（ZPs）。这是第一次，我们提供了数值结果，表明对象检测器在各个区域的表现非常不均匀。令人惊讶的是，探测器在图像96\%边界区域的性能没有达到AP值（平均精度，通常被认为是整个图像区域的平均探测性能）。为了更好地理解空间偏差，进行了一系列启发式实验。我们的研究排除了两个关于空间偏差的直观假设，即物体的尺度和物体的绝对位置几乎不影响空间偏差。我们发现关键在于不同区域中对象之间的数据模式存在人类无法察觉的差异，从而最终在区域之间形成可见的性能差距。基于这些发现，我们最后讨论了目标检测的未来方向，即空间不平衡问题，旨在追求整个图像区域的平衡检测能力。通过广泛评估10个流行的对象检测器和5个检测数据集，我们揭示了对象检测器的空间偏差。我们希望这项工作可以引起人们对检测鲁棒性的关注。源代码、评估协议和教程可在\url{https：//github.com/Zzh-tju/ZoneEval}上公开获取。

【5】 Enabling energy-Efficient object detection with surrogate gradient descent in spiking neural networks

标题：在尖峰神经网络中利用代理梯度下降实现能量高效的目标检测

https://arxiv.org/abs/2310.12985

尖峰神经网络（Spiking Neural Networks，SNN）是一种在事件驱动处理和时空信息处理方面具有显著优势的生物学上合理的神经网络模型，使SNN成为节能目标检测的一个有吸引力的选择。然而，生物神经元动力学模型的不可微性在SNN的训练期间提出了挑战。此外，目前缺乏SNN中用于对象检测的合适解码策略。在这项研究中，我们引入了当前均值解码（CMD）方法，该方法解决了回归问题，以促进对象检测任务的深度SNN的训练。基于梯度代理和CMD，我们提出了SNN-YOLOv 3模型的目标检测。我们的实验表明，SNN-YOLOv 3在PASCAL VOC数据集上实现了61.87%的mAP，仅需要6个时间步长。与SpikingYOLO相比，我们成功地将mAP提高了近10%，同时将能耗降低了两个数量级。