机构名称：
¥ 1.0
标题：小对象检测的现实性能演示者名称：Michel van Lier公司名称 /研究所：TNO项目名称：Mantis Vision Funding Group：PENTA / XECS / EURIPIDES / ECEL / ECSEL / KDT摘要可以在网站上发布：☒是的，no提供500个单词的摘要最多。使用字体Arial，尺寸11。如果使用了数字，则文本和数字必须留在此页面内。自动化对象检测在各种应用中变得越来越相关。这包括可见和IR视频中的人，无人机，船只和车辆的检测。对于可能与人类一起部署的自治系统，情境意识（SA）至关重要，因此可以尽早调整潜在的危险操作。挑战是在大量宽阔的视野摄像头系统中检测和跟踪大距离的人，这是无处不在的，因为这仅导致每人只有几个相机像素。最重要的是，光线和天气状况在对象检测性能中起作用，这是一个额外的挑战。基于学习的对象检测方法（例如Yolo）已证明在许多应用中为此目的有希望，但是当对象上的像素数量减少时，它们的性能会降低。最近的方法旨在通过考虑时间信息来改善对小物体的检测。这样的时空深度学习模型原则上可以检测到高达4个平方像素的移动人员。在如此小的规模下，性能可能受许多因素的影响。为了更好地了解这些效果，我们已经在朝向非结构化的地形的观测塔上安装了一个相机系统，以便在视野中可见200至400的区域。使用此设置，我们可以研究对象和背景之间的对比度，成像系统的分辨率以及深度学习模型对小人检测准确性的精确性。我们创建了一个数据集，该数据集由长时间记录并涵盖几个季节的简短剪辑组成。使用结果数据集，我们比较了不同模型的对象检测性能，但也评估了光和天气条件的效果，并在现实世界中证明了最新的自动化小对象检测的限制。
小对象检测的实际性能
主要关键词
相关文件推荐
