文献阅读笔记4——《Contrasting YOLOv5, Transformer, and EfficientDet Detectors...》

《Contrasting YOLOv5, Transformer, and EfficientDet Detectors for Crop Circle Detection in Desert》

摘要

比较了 YOLOv5 、Transformer 和Efficientdet
建立了数据集：埃及和沙特阿拉伯
在域内和跨域场景进行评估

背景介绍

介绍背景应用->做农作物综述->引出麦田检测意义->引出需解决的两个问题
1.没有文献对麦田怪圈进行足够原因是因为缺乏数据集
2.遥感技术 缺乏用于精确定位遥感图像中目标的最新深度结构的对比评估

两个贡献：
1.我们解决了沙漠中的麦田怪圈检测问题，并建立了两个评价数据集。
2.我们对比了三种最新的目标检测模型，即YOLOv5、Transformer和EfficientDet，我们认为它们对于遥感图像中的目标检测至关重要。

方法

A.Transformer
DETR将目标检测视为一个直接的集合预测问题，分两次运行
1.设置预测损失
2.并行预测对象并建模其关系的体系结构

B.EfficientDet
BiFPN
1.如果一个节点只有一条输入边，没有特征融合，那么对特征网络的贡献更小；
2.如果输入节点和输出节点处于同一水平，则采用额外的边来将他们联系起来，这允许以最小的成本融合更多的特征；
3.每个双向（自上而下和自下而上）路径被视为一个要素图层，重复多次以实现高级别的要素融合。

C.YOLOv5
比较了12345版的优缺点，结构的改进
1.考虑处理时间：使用CSPNet作为backbone
2.处理对象比例变化：neck：PANet被用作构建特征金字塔
（锚框用于推断类别概率、边界框和客观性分数。）
有四个版本用来训练

实验结果和讨论

数据集：
EGY：特点是目标结构均匀，相对于背景对比度大
KSA：目标结构复杂，目标和背景对比度低

实验环境：

结论

综合阐述三种检测器

文献阅读笔记4——《Contrasting YOLOv5, Transformer, and EfficientDet Detectors...》

《Contrasting YOLOv5, Transformer, and EfficientDet Detectors for Crop Circle Detection in Desert》

摘要

比较了 YOLOv5 、Transformer 和Efficientdet
建立了数据集：埃及和沙特阿拉伯
在域内和跨域场景进行评估

背景介绍

介绍背景应用->做农作物综述->引出麦田检测意义->引出需解决的两个问题
1.没有文献对麦田怪圈进行足够原因是因为缺乏数据集
2.遥感技术 缺乏用于精确定位遥感图像中目标的最新深度结构的对比评估

两个贡献：
1.我们解决了沙漠中的麦田怪圈检测问题，并建立了两个评价数据集。
2.我们对比了三种最新的目标检测模型，即YOLOv5、Transformer和EfficientDet，我们认为它们对于遥感图像中的目标检测至关重要。

方法

A.Transformer
DETR将目标检测视为一个直接的集合预测问题，分两次运行
1.设置预测损失
2.并行预测对象并建模其关系的体系结构

B.EfficientDet
BiFPN
1.如果一个节点只有一条输入边，没有特征融合，那么对特征网络的贡献更小；
2.如果输入节点和输出节点处于同一水平，则采用额外的边来将他们联系起来，这允许以最小的成本融合更多的特征；
3.每个双向（自上而下和自下而上）路径被视为一个要素图层，重复多次以实现高级别的要素融合。

C.YOLOv5
比较了12345版的优缺点，结构的改进
1.考虑处理时间：使用CSPNet作为backbone
2.处理对象比例变化：neck：PANet被用作构建特征金字塔
（锚框用于推断类别概率、边界框和客观性分数。）
有四个版本用来训练

实验结果和讨论

数据集：
EGY：特点是目标结构均匀，相对于背景对比度大
KSA：目标结构复杂，目标和背景对比度低

实验环境：

结论

综合阐述三种检测器