相关实验视频
Updated: May 6, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
11.2K
FID-YOLO:一个行人检测模型,在复杂的环境中集成多光谱信息
Di Yang1,2,3, Xilong Zhang1,2,3, Peng Wang1,2,3
1School of Computer Science and Technology, Changchun University of Science and Technology, Changchun, China.
PloS one
|March 5, 2026
概括
这项研究介绍了FID-YOLO,这是一个新的行人检测系统,它结合了可见光和红外光,在恶劣天气和遮蔽等具有挑战性的条件下提高了准确性. 改进后的系统在复杂的环境中表现出色,提高了智能驾驶和机器人导航的安全性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 步行者检测对于智能驾驶,物体跟踪和机器人导航至关重要.
- 图像质量显著影响检测精度.
- 恶劣的天气,遮蔽和尺度变化通过削弱物体特征来降低行人检测的准确性.
研究的目的:
- 在复杂的环境中提高行人检测性能.
- 为了应对图像质量差和对象变异带来的挑战.
主要方法:
- 拟议的功能增强的图像检测-YOLO (FID-YOLO) 模型.
- 集成可见光和红外光信息使用一个照明感知图像融合模块.
- 引入了一个级联的特征聚合模块,具有重构和频道混合.
- 开发了一个适应规模的功能检测头用于YOLO.
主要成果:
- 与M3FD和LLVIP数据集上的基准模型相比,FID-YOLO表现出更高的性能.
- 实验验证了每个拟议模块的有效性,通过废除研究.
- 该系统成功地增强了行人特征,并在复杂场景中改进了检测.
结论:
- 在具有挑战性的环境条件下,FID-YOLO有效地提高了行人检测的准确性.
- 多模式信息和高级特征处理模块的集成增强了模型的概括性.
- 提出的方法为安全关键的应用,如自动驾驶等提供了显著的进步.
