YOLO 多光谱目标检测进展、应用与挑战综述
计算机视觉与模式识别
2024-09-23 v1 机器学习
摘要
多光谱成像和深度学习已成为支持来自自动驾驶、农业、基础设施监测和环境评估等多种用例的强大工具。这种技术的结合导致了在非可见光谱上进行目标检测、分类和分割任务方面取得的显著进展。本文考虑400篇论文，详细审阅200篇，以提供权威性的综述，涵盖多光谱成像技术、深度学习模型及其应用，考察 You Only Look Once（YOLO）方法的演变与适应。地面采集是最常见的方法，占审阅论文的63%，尽管用于 YOLO 多光谱应用的无人机系统（UAS）自2020年以来翻倍。最常见的传感器融合是红绿蓝（RGB）与长波红外（LWIR），占文献比重的39%。YOLOv5 仍是多光谱应用中最常用的变体，占所有修改 YOLO 模型的33%。58%的多光谱-YOLO研究由中国开展，与其他国家的研究质量相当（平均期刊影响因子为4.45 vs 4.36）。未来研究需要聚焦于：（i）开发能够处理多样化光谱输入且无需大量架构修改的自适应 YOLO 架构，（ii）探索生成大规模合成多光谱数据集的方法，（iii）发展应对数据稀缺的多光谱 YOLO 迁移学习技术，（iv）创新超越 RGB 和 LWIR 其他传感器类型的融合研究。
引用
@article{arxiv.2409.12977,
title = {Surveying You Only Look Once (YOLO) Multispectral Object Detection Advancements, Applications And Challenges},
author = {James E. Gallagher and Edward J. Oughton},
journal= {arXiv preprint arXiv:2409.12977},
year = {2024}
}