一、檢測相關(9篇)

1.1 Automated Detection and Counting of Windows using UAV Imagery based Remote Sensing

基于無人機遙感圖像的窗口自動檢測與計數(shù)

https://arxiv.org/abs/2311.14635

盡管建筑和測量部門的技術進步，但對在建或現(xiàn)有建筑物中的窗戶等顯著特征的檢查主要是一個手動過程。此外，建筑物中存在的窗戶數(shù)量與其在地震下遭受的變形程度直接相關。在本研究中，提出了一種通過部署無人機（UAV）遙感系統(tǒng)來精確檢測和計數(shù)建筑物窗戶數(shù)量的方法。所提出的兩階段方法通過開發(fā)利用來自無人機機載攝像頭和其他傳感器的數(shù)據(jù)的計算機視覺管道來自動識別和計數(shù)窗口。定量和定性的結果表明，我們提出的方法在準確地檢測和計數(shù)的窗口相比，現(xiàn)有的方法的有效性。

1.2 One Strike, You’re Out: Detecting Markush Structures in Low Signal-to-Noise Ratio Images

一擊出局：在低信噪比圖像中檢測馬庫什結構

https://arxiv.org/abs/2311.14633

現(xiàn)代研究越來越依賴于自動化方法來幫助研究人員。一個例子是光學化學結構識別（OCSR），它可以幫助化學家從大量文檔中檢索有關化學品的信息。馬庫什結構是不能被OCSR正確解析并導致錯誤的化學結構。本研究的重點是提出和測試一種新的方法來分類馬庫什結構。在該方法中，對固定特征提取和端到端學習（CNN）進行了比較。端到端方法的表現(xiàn)明顯優(yōu)于固定特征方法，與固定特征方法的0.701（0.052 SD）相比，達到了0.928（0.035 SD）的宏F1。由于實驗的性質(zhì)，這些數(shù)字是下限，可以進一步改進。這些結果表明，馬庫什結構可以有效地和準確地使用所提出的方法進行過濾。在OCSR流水線中實現(xiàn)時，該方法可以提高其性能，并可供其他研究人員使用。

1.3 Multi-Class Anomaly Detection based on Regularized Discriminative Coupled hypersphere-based Feature Adaptation

基于正則化判別耦合超球特征自適應的多類異常檢測

https://arxiv.org/abs/2311.14506

在異常檢測中，跨不同產(chǎn)品類別識別異常是一項復雜的任務。本文介紹了一種新的模型，包括類判別性質(zhì)獲得的一個修改的正則判別變分自動編碼器（RD-VAE）的特征提取過程中的耦合超球為基礎的特征自適應（CFA）。通過這樣做，提出的正則化判別耦合超球為基礎的特征自適應（RD-CFA），形成了多類異常檢測的解決方案。通過使用RD-VAE的鑒別能力來捕獲復雜的類分布，結合CFA的魯棒異常檢測能力，所提出的方法在識別各種類的異常方面表現(xiàn)出色。使用MVTec AD和BeanTech AD數(shù)據(jù)集對多類異常檢測和定位進行了廣泛的評估，展示了RD-CFA與八種領先的當代方法相比的有效性。

1.4 A New Benchmark and Model for Challenging Image Manipulation Detection

一種新的挑戰(zhàn)圖像篡改檢測的基準和模型

https://arxiv.org/abs/2311.14218

檢測多媒體數(shù)據(jù)中的操縱行為的能力在數(shù)字取證中至關重要?，F(xiàn)有的圖像篡改檢測（IMD）方法主要是基于檢測由圖像編輯或雙重壓縮偽影引起的異常特征。所有現(xiàn)有的IMD技術在從大圖像中檢測小的篡改區(qū)域時都會遇到挑戰(zhàn)。此外，基于壓縮的IMD方法在相同質(zhì)量因子的雙重壓縮的情況下面臨困難。為了在這些具有挑戰(zhàn)性的條件下研究最先進的（SoTA）IMD方法，我們引入了一個新的嵌入式圖像操作檢測（CIMD）基準數(shù)據(jù)集，該數(shù)據(jù)集由兩個子集組成，分別用于評估基于編輯和基于壓縮的IMD方法。數(shù)據(jù)集圖像是手動拍攝的，并被篡改了高質(zhì)量的注釋。此外，我們提出了一種新的基于HRNet的雙分支網(wǎng)絡模型，可以在這些具有挑戰(zhàn)性的條件下更好地檢測圖像編輯和壓縮偽影。在CIMD基準測試上的大量實驗表明，我們的模型在CIMD上的性能明顯優(yōu)于SoTA IMD方法。

1.5 Video Anomaly Detection using GAN

基于GaN的視頻異常檢測

https://arxiv.org/abs/2311.14095

隨著人們對公共安全的日益關注，監(jiān)控場景中異常事件的自動檢測和識別變得至關重要。由于它的復雜性和實用性，它是一個當前的開放性研究課題。自動識別異常事件，這是一項艱巨的任務，因為每個人對異常的看法是不同的。一種情況下的典型事件在另一種情況下可能被視為異常。由于擁擠和高遮擋，在具有大量人群的監(jiān)控錄像中，自動異常識別變得特別具有挑戰(zhàn)性。通過使用機器學習技術，本論文的研究旨在為這種用例提供解決方案，以便不需要人力資源來監(jiān)視系統(tǒng)記錄中的任何異常活動。我們開發(fā)了一種新的基于生成對抗網(wǎng)絡（GAN）的異常檢測模型。該模型經(jīng)過訓練，以便它一起學習構建高維圖片空間并從視頻的上下文確定潛在空間。該生成器使用了一個殘差自動編碼器架構，該架構由一個基于多級信道注意力的解碼器和一個可以實現(xiàn)空間和時間數(shù)據(jù)的雙流深度卷積編碼器組成。我們還提供了一種改進GAN模型的技術，該技術可以減少訓練時間，同時還可以通過利用數(shù)據(jù)集之間的遷移學習來推廣模型。使用各種評估措施，我們將我們的模型與四個基準數(shù)據(jù)集上的當前最先進的技術進行比較。實證研究結果表明，與現(xiàn)有技術相比，我們的網(wǎng)絡在所有數(shù)據(jù)集上都表現(xiàn)良好。

1.6 RankFeat&RankWeight: Rank-1 Feature/Weight Removal for Out-of-distribution Detection

https://arxiv.org/abs/2311.13959

The task of out-of-distribution (OOD) detection is crucial for deploying machine learning models in real-world settings. In this paper, we observe that the singular value distributions of the in-distribution (ID) and OOD features are quite different: the OOD feature matrix tends to have a larger dominant singular value than the ID feature, and the class predictions of OOD samples are largely determined by it. This observation motivates us to propose \texttt{RankFeat}, a simple yet effective \emph{post hoc} approach for OOD detection by removing the rank-1 matrix composed of the largest singular value and the associated singular vectors from the high-level feature. \texttt{RankFeat} achieves \emph{state-of-the-art} performance and reduces the average false positive rate (FPR95) by 17.90% compared with the previous best method. The success of \texttt{RankFeat} motivates us to investigate whether a similar phenomenon would exist in the parameter matrices of neural networks. We thus propose \texttt{RankWeight} which removes the rank-1 weight from the parameter matrices of a single deep layer. Our \texttt{RankWeight}is also \emph{post hoc} and only requires computing the rank-1 matrix once. As a standalone approach, \texttt{RankWeight} has very competitive performance against other methods across various backbones. Moreover, \texttt{RankWeight} enjoys flexible compatibility with a wide range of OOD detection methods. The combination of \texttt{RankWeight} and \texttt{RankFeat} refreshes the new \emph{state-of-the-art} performance, achieving the FPR95 as low as 16.13% on the ImageNet-1k benchmark. Extensive ablation studies and comprehensive theoretical analyses are presented to support the empirical results.

1.7 Periodically Exchange Teacher-Student for Source-Free Object Detection

周期性地交換教師和學生以實現(xiàn)無源對象檢測

https://arxiv.org/abs/2311.13930

無源對象檢測（SFOD）的目的是在沒有源域數(shù)據(jù)的情況下，使源檢測器適應未標記的目標域數(shù)據(jù)。大多數(shù)SFOD方法遵循相同的自我訓練范式，使用均值-教師（MT）框架，其中學生模型僅由一個教師模型指導。然而，這種范式很容易陷入訓練不穩(wěn)定性問題，即當教師模型由于域轉移而無法控制地崩潰時，學生模型也會遭受嚴重的性能下降。為了解決這個問題，我們提出了定期交換教師-學生（PETS）的方法，一個簡單而新穎的方法，引入了一個多教師的框架，包括一個靜態(tài)的教師，一個動態(tài)的教師和一個學生模型。在訓練階段，我們定期在靜態(tài)教師和學生模型之間交換權重。然后，我們使用已經(jīng)由靜態(tài)教師交換的學生模型的移動平均值來更新動態(tài)教師。通過這種方式，動態(tài)教師可以整合過去的知識，有效地減少錯誤積累，并在基于MT的框架內(nèi)實現(xiàn)更穩(wěn)定的培訓過程。此外，我們開發(fā)了一個共識機制來合并兩個教師模型的預測，為學生模型提供更高質(zhì)量的偽標簽。在多個SFOD基準測試上的大量實驗表明，與其他相關方法相比，該方法具有最先進的性能，證明了該方法在SFOD任務上的有效性和優(yōu)越性。

1.8 Steal My Artworks for Fine-tuning? A Watermarking Framework for Detecting Art Theft Mimicry in Text-to-Image Models

為了微調(diào)而偷我的藝術品？一種用于檢測文本到圖像模型中藝術品盜竊模仿的水印框架

https://arxiv.org/abs/2311.13619

文本到圖像模型的進步帶來了驚人的藝術表現(xiàn)。然而，一些工作室和網(wǎng)站非法微調(diào)這些模型使用藝術家的藝術作品模仿他們的風格以獲取利潤，這侵犯了藝術家的版權，并削弱了他們制作原創(chuàng)作品的動力。目前，對這一問題的研究明顯不足。在本文中，我們提出了一種新的水印框架，檢測模仿文本到圖像模型，通過微調(diào)。該框架將微妙的水印嵌入到數(shù)字藝術作品中，以保護其版權，同時仍然保留藝術家的視覺表達。如果有人將帶水印的藝術品作為訓練數(shù)據(jù)來模仿藝術家的風格，這些水印可以作為可檢測的指標。通過分析這些水印在一系列生成圖像中的分布，使用被盜受害者數(shù)據(jù)進行微調(diào)模仿的行為將被曝光。在各種微調(diào)方案和水印攻擊方法，我們的研究證實，分析人工生成的圖像中的水印分布可靠地檢測未經(jīng)授權的模仿。

1.9 Detection and Identification Accuracy of PCA-Accelerated Real-Time Processing of Hyperspectral Imagery

主成分分析加速的高光譜圖像實時處理的檢測和識別精度

https://arxiv.org/abs/2311.13779

實時或近實時的高光譜檢測和識別在許多領域都是非常有用和需要的。這些數(shù)據(jù)集可能非常大，并且算法可能需要大量計算，從而減慢了過程。一種常見的加速方法是使用主成分分析（PCA）進行降維。在由主成分的子集提供的降維空間中，處理數(shù)據(jù)所需的計算更少，從而導致更快的運行時間。在本文中，我們提出了一種方法，以進一步減少使用PCA所需的時間，通過調(diào)查有多少主成分可以省略，對檢測率的影響最小。使用ACE進行檢測，然后使用概率和譜擬合進行識別，我們發(fā)現(xiàn)，在檢測率出現(xiàn)明顯變化之前，主成分的數(shù)量可以大幅減少。文章來源地址http://www.zghlxwxcb.cn/news/detail-751922.html

到了這里，關于【計算機視覺 | 目標檢測】arxiv 計算機視覺關于目標檢測的學術速遞（11 月 28 日論文合集）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！