.png){kind=icon}
返回
Pseudo-depth-based deep neural network model for object detection
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-45310-w.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前机器学习方法仅利用光学图像的三通道颜色特征进行计算机视觉任务。然而，光学图像仅显式呈现RGB颜色和二维平面形状信息，三维空间特征未被充分利用。这一限制制约了识别性能的潜在提升。为解决此问题，我们提出了一种基于四种独立特征的检测方案，通过结合伪深度和RGB特征来增强模型检测能力，且无需添加任何额外的硬件传感器。首先使用单目深度估计算法作为虚拟深度传感器，从输入光学图像中提取伪深度特征。然后将融合的深度-RGB特征输入神经网络模型，用于目标检测的训练和推理，以增强提取空间特征的能力。实验表明，所提方法在公开的M$$^3$$FD和COCO数据集上，分别将检测指标mAP$$_{50}$$提升了3.8和8.0个百分点。值得注意的是，该方案可轻松嵌入任何机器学习模型中，从而显著提高检测性能。
Keyword:
Engineering
Mathematics and computing
Optics and photonics
Feature enhancement
Multispectral object detection
Pseudo-depth feature
Monocular depth estimation
Science
Humanities and Social Sciences
multidisciplinary
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
27.9W
被引数:
83.5W
机构
引用论文
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测OAAI
OAAI分享收藏Symmetrical Learning and Transferring: Efficient Knowledge Distillation for Remote Sensing Image Classification.png)
Symmetry
SymmetryIF0
PREAI
分享收藏ADRNet-S*: Asymmetric depth registration network via contrastive knowledge distillation for RGB-D mirror segmentationINFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏SGV3D: Toward Scenario Generalization for Vision-Based Roadside 3D Object DetectionSGV3D：面向基于视觉的路侧3D目标检测的场景泛化
PREAI
分享收藏
查看更多内容