亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

An object detection algorithm based on infrared-visible dual modal feature fusion

计算机科学 情态动词 特征(语言学) 人工智能 模式识别(心理学) 目标检测 算法 图像融合 融合 计算机视觉 图像(数学) 哲学 语言学 化学 高分子化学
作者
Zhiqiang Hou,Chen Yang,Ying Sun,Sugang Ma,Xiaobao Yang,Jiulun Fan
出处
期刊:Infrared Physics & Technology [Elsevier]
卷期号:137: 105107-105107 被引量:5
标识
DOI:10.1016/j.infrared.2023.105107
摘要

Dual modal image pairs can provide complementary feature information and overcome the limitations of single modal object detection algorithms, thus improving detection performance. In order to fully utilize the features of different modalities, this paper proposes a dual-branch fusion detection network that can simultaneously input both infrared and visible modalities for object detection. The method is based on YOLOv5-s, and two attention modules are proposed according to the characteristics of different modalities to enhance the expression capability of infrared and visible image feature information respectively; At the same time, a dual modal fusion module is designed for cross-modal information complementarity by fusing features from corresponding scales of both modalities; Finally, a feature enhancement module is proposed to improve the multi-scale feature fusion capability. The algorithm is validated on the KAIST, FLIR, and GIR datasets and compared with classic single modal and dual modal detection algorithms. Experimental results show that, compared with the baseline algorithm YOLOv5-s alone detecting visible and infrared images separately, the proposed algorithm improves the detection accuracy by 17.6% and 5.9% on the KAIST dataset respectively, and 19.1% and 13% on the FLIR dataset respectively. The proposed algorithm also has a significant advantage in detection accuracy on the self-built GIR dataset.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
吴彦祖发布了新的文献求助10
1秒前
淡淡菠萝完成签到 ,获得积分10
5秒前
rrr完成签到 ,获得积分10
8秒前
科研王者发布了新的文献求助200
9秒前
Orange应助兴奋元冬采纳,获得10
9秒前
21秒前
Mistletoe完成签到 ,获得积分10
27秒前
30秒前
33秒前
吴彦祖发布了新的文献求助10
34秒前
Wunrry完成签到 ,获得积分10
35秒前
FashionBoy应助豪123456采纳,获得10
37秒前
wangxiaoyu发布了新的文献求助10
38秒前
2220完成签到 ,获得积分10
41秒前
yang完成签到,获得积分10
43秒前
陶醉的蜜蜂完成签到,获得积分10
48秒前
48秒前
53秒前
LukeLion发布了新的文献求助10
54秒前
吴彦祖发布了新的文献求助10
58秒前
ohho发布了新的文献求助10
1分钟前
欢欢完成签到,获得积分10
1分钟前
SAINT发布了新的文献求助20
1分钟前
科研通AI2S应助然然采纳,获得10
1分钟前
babe应助科研通管家采纳,获得10
1分钟前
小二郎应助科研通管家采纳,获得10
1分钟前
慕青应助科研通管家采纳,获得10
1分钟前
ohho完成签到,获得积分10
1分钟前
汉堡包应助rui采纳,获得10
1分钟前
1分钟前
1分钟前
Hayat发布了新的文献求助20
1分钟前
1分钟前
Binbin发布了新的文献求助10
1分钟前
动听的飞松完成签到 ,获得积分10
1分钟前
1分钟前
1分钟前
SEAMUS发布了新的文献求助10
1分钟前
旺大财完成签到 ,获得积分10
1分钟前
李爱国应助失眠的斑马采纳,获得10
1分钟前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 890
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256842
求助须知:如何正确求助?哪些是违规求助? 2898968
关于积分的说明 8303160
捐赠科研通 2568204
什么是DOI,文献DOI怎么找? 1394916
科研通“疑难数据库(出版商)”最低求助积分说明 652924
邀请新用户注册赠送积分活动 630631