XiaoMi-AI文件搜索系统
World File Search SystemM3FD
![arxiv：2403.09323v4 [CS.CV] 2025年1月27日](/simg/6\6a250faa3bde1df835a0c39d353ff212cb76001e.webp)
arxiv：2403.09323v4 [CS.CV] 2025年1月27日
多模式图像融合和对象检测对于自动驾驶至关重要。虽然当前的方法已提出纹理细节和语义信息的融合，但它们的复杂培训过程阻碍了更广泛的应用程序。提出了这一挑战，我们介绍了E2E-MFD，这是一种用于多模式融合检测的新型端到端算法。E2E-MFD简化了该过程，通过单个训练阶段实现了高性能。它在组件之间采用同步关节的选择，以避免与各个任务相关的次优溶液。此外，它在梯度矩阵中实现了共享参数的综合优化策略，从而确保收敛到最佳融合检测配置。我们在多个公共数据集上进行了广泛的测试揭示了E2E-MFD的出色功能，不仅展示了视觉上吸引人的图像融合，还展示了令人印象深刻的检测结果，例如3.9％和2.0％的MAP 50在水平对象检测数据集M3FD上增加了M3FD的增加和方向的对象检测数据集DataDaset Dataset Datectal Dronevehicle，相比之下。
热红外单幅图像去雾及盲图像质量评价
图像去雾是一种减少图像中雾霾、灰尘或雾气影响的方法，以便清晰地查看观察到的场景。文献中存在大量传统和基于机器学习的方法。然而，这些方法大多考虑可见光光谱中的彩色图像。显然，由于热红外光谱的波长较长，受雾霾的影响要小得多。但远距离观测期间的大气扰动也会导致热红外 (TIR) 光谱中的图像质量下降。在本文中，我们提出了一种为 TIR 图像生成合成雾的方法。然后，我们分析了现有的盲图像质量评估措施雾感知密度评估器 (FADE) 对 TIR 光谱的适用性。我们进一步全面概述了当前图像去雾的最新技术，并通过经验表明，许多最初为可见光图像设计的方法在应用于 TIR 光谱时表现得出奇的好。这在最近发布的 M3FD 数据集上进行的实验中得到了证实。