跨模态融合Transformer用于多光谱目标检测的官方代码。
使用Transformer和Yolov5进行多光谱目标检测
多光谱图像对可以提供综合信息,使目标检测应用在开放世界中更加可靠和稳健。 为充分利用不同模态,我们在本文中提出了一种简单而有效的跨模态特征融合方法,称为跨模态融合Transformer(CFT)。 与之前基于CNN的工作不同,在Transformer方案的指导下,我们的网络在特征提取阶段学习长程依赖关系并集成全局上下文信息。 更重要的是,通过利用Transformer的自注意力机制,网络可以自然地进行同时的模态内和模态间融合,并稳健地捕捉RGB和热红外域之间的潜在交互,从而显著提高多光谱目标检测的性能。 在多个数据集上进行的大量实验和消融研究表明,我们的方法是有效的,并达到了最先进的检测性能。
夜间场景
<div align="left"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/a241c7e4-25ae-4368-ab6e-7295842601e3.gif" width="600"> </div>白天场景
<div align="left"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/dad5835f-d9e0-418c-b138-d6a7eb42e627.gif" width="600"> </div>如果您在研究中使用了此代码库,请引用我们的论文:
@article{qingyun2022cross,
title={Cross-modality attentive feature fusion for object detection in multispectral remote sensing imagery},
author={Qingyun, Fang and Zhaokui, Wang},
journal={Pattern Recognition},
volume={130},
pages={108786},
year={2022},
publisher={Elsevier}
}
@article{fang2021cross,
title={Cross-Modality Fusion Transformer for Multispectral Object Detection},
author={Fang Qingyun and Han Dapeng and Wang Zhaokui},
journal={arXiv preprint arXiv:2111.00273},
year={2021}
}
需要Python>=3.6.0,并安装所有requirements.txt中的依赖,包括PyTorch>=1.7(与yolov5相同 https://github.com/ultralytics/yolov5 )。
git clone https://github.com/DocF/multispectral-object-detection
$ cd multispectral-object-detection $ pip install -r requirements.txt
-[FLIR] [Google Drive] [百度网盘] 提取码:qwer
一个新的对齐版本。
-[LLVIP] 下载
-[VEDAI] 下载
你需要将所有标注转换为YOLOv5格式。
参考: https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data
yolov5权重(预训练)
-[yolov5s] 谷歌云盘
-[yolov5m] 谷歌云盘
-[yolov5l] 谷歌云盘
-[yolov5x] 谷歌云盘
CFT权重
-[LLVIP] 谷歌云盘
-[FLIR] 谷歌云盘
一些示例在data/multispectral/目录下
一些示例在models/transformer/目录下
注意!!!我们在论文中使用了xxxx_transfomerx3_dataset.yaml。
训练: python train.py
测试: python test.py
检测: python detect_twostream.py
数据集 | CFT | mAP50 | mAP75 | mAP |
---|---|---|---|---|
FLIR | 73.0 | 32.0 | 37.4 | |
FLIR | ✔️ | 78.7 (Δ5.7) | 35.5 (Δ3.5) | 40.2 (Δ2.8) |
LLVIP | 95.8 | 71.4 | 62.3 | |
LLVIP | ✔️ | 97.5 (Δ1.7) | 72.9 (Δ1.5) | 63.6 (Δ1.3) |
VEDAI | 79.7 | 47.7 | 46.8 | |
VEDAI | ✔️ | 85.3 (Δ5.6) | 65.9(Δ18.2) | 56.0 (Δ9.2) |
对数平均漏检率
模型 | 对数平均漏检率 |
---|---|
YOLOv3-RGB | 37.70% |
YOLOv3-IR | 17.73% |
YOLOv5-RGB | 22.59% |
YOLOv5-IR | 10.66% |
基线(我们的) | 6.91% |
CFT(我们的) | 5.40% |
漏检率 - FPPI 曲线
<div align="left"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/2cc7e680-936e-4974-99e6-229582c6e12e.png" width="500"> </div>AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析 和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。