这是实验室合作的一篇工作，本文提出了第一个多无人机多目标追踪数据集MDMT，也可用做多目标多视角跨机匹配问题相关研究。并配套提出了MIA-Net用于多机协同多目标追踪。MDMT数据集及代码链接：https://github.com/VisDrone/Multi-Drone-Multi-Object-Detection-and-TrackingAiskyeye实验室网站：http://aiskyeye.com/1引言多无人机多目标追踪是协同环境感知领域重要的研究方向，其目的是实现多视角信息融合，克服单架无人机在环境感知上的不足，从而在实现跨机目标关联的基础上，实现多目标的协同追踪，提升整体追踪性
论文地址:https://arxiv.org/pdf/2303.10404.pdf代码:未开源目前是MOT20的第二名1.Abstract这篇文章着力于解决长时跟踪的问题.当前大多数方法只能依靠Re-ID特征来进行长时跟踪,也就是轨迹长期丢失后的再识别.然而,Re-ID特征并不总是有效的.尤其是在拥挤和极度遮挡的情况下.为此,这篇文章提出了MotionTrack,包括两个方面:设计了一个交互模块(InteractionModule),来学习短轨迹之间的相互作用.简单来说,就是根据目标相邻两帧的的偏移,计算出一个表征目标之间相互影响的矩阵,随后利用该矩阵经过一个GCN和MLP来直接得到目标的预测
个人阅读笔记，如有错误欢迎指出！会议：Usenix2020 [1911.11815]LocalModelPoisoningAttackstoByzantine-RobustFederatedLearning(arxiv.org)问题： 模型攻击对拜占庭鲁棒性联邦学习的攻击效果尚未清楚创新点： 1、基于不同防御方法，设计了具有针对性的模型攻击方式 2、概括了基于错误率以及基于损失函数的防御方法，测试了两种防御方法的效果。方法： 攻击场景：trainingphase中对基于本地训练数据的模型在训练过程中进行攻击 攻击者的要求：控
记录一下Lama模型的训练、infe踩坑，以及如何更改预设的mask生成方式。一、环境简单提一下，一定要按照作者给的requirements.txt里的库版本安装，hydra-core和pytorch-lightning最新版本在此项目代码上均会报错无法运行。二、预训练模型微调lama的训练全部是以配置文件.yaml的方式进行的，所以针对不同数据集的预训练模型所使用的yaml也是不同的。总体上作者是在PLACES和CelebA上进行了预训练，同时也包含了Big-Lama、Lama-fourier等多种模型细节的配置。就以在Places-Challenge效果最好的Big-Lama为例，在预训练
这篇文章是今年6月底发布的一篇多目标跟踪(MOT)的屠榜方法，命名为BoT-SORT。作者来自以色列的特拉维夫大学（Tel-AvivUniversity）。本文简单谈谈我对这个算法的理解，因为也是MOT领域的初学者，如有错误希望各位读者修正，也欢迎大家一起探讨。PS：文章内部分图片是原创，如需转载请注明出处。paper:https://arxiv.org/abs/2206.14651code:https://github.com/NirAharon/BOT-SORT算法在IDF1和MOTA两个指标上都做到了SOTA：在MOT的诸多算法中，可以将其分成两类——即TBD（TrackingbyDet
文章目录前言一、基本原理Retinex理论y=zⓧx单尺度Retinex算法（SSR）二、论文内容1.网络结构IlluminationEastimationSelf-CalibratedModule：作用使每个阶段的结果收敛到同一状态。2.损失函数保真度损失平滑损失3.讨论Operation-InsensitiveAdaptability（操作不敏感适应性，即在不同的简单操作设置下获得稳定的性能）Model-IrrelevantGenerality（模型不相关通用性，即可以应用于基于光照的现有著作以提高性能）二、模型代码（官方代码）总结SCI开辟了一个新的视角：即在训练阶段引入辅助过程来增强基
原文链接：https://arxiv.org/abs/2304.006701.引言 本文提出两阶段融合方法CRN，能使用相机和雷达生成语义丰富且位置精确的BEV特征。具体来说，首先将图像透视特征转换到BEV下，该步骤依赖雷达，称为雷达辅助的视图变换（RVT）。由于转换得到的BEV特征并非完全精确，接下来的多模态特征聚合（MFA）层使用注意力机制将BEV特征编码为统一的特征图。 CRN有如下3个特点：精确。仅使用低成本的相机和雷达，就能达到和激光雷达相当的检测性能。鲁棒。即使在一个模态完全失效的情况下，CRN也有鲁棒的性能。高效。使用很小的额外计算成本，就能显著提高性能，有利于实时且长距离的
Privacy-PreservingByzantine-RobustFederatedLearningviaBlockchainSystems可译为“利用区块链实现隐私保护的拜占庭鲁棒性联邦学习”这篇是今年八月份被TIFS2022（CCFA）收录的文章，写的利用全同态加密和区块链技术解决联邦学习中隐私问题和可信问题（虽然区块链仅仅只是存储的作用，也稍微提了一下）。精读完这篇文章，整体感觉还不错，毕竟是CCFA类期刊。下面是自己读后感，根据自己的语言来做了一些笔记，也相当于回顾。其中，有理解不到位的地方望指正，建议读者还是看原文。原文链接：Privacy-PreservingByzantine-
Privacy-PreservingByzantine-RobustFederatedLearningviaBlockchainSystems可译为“利用区块链实现隐私保护的拜占庭鲁棒性联邦学习”这篇是今年八月份被TIFS2022（CCFA）收录的文章，写的利用全同态加密和区块链技术解决联邦学习中隐私问题和可信问题（虽然区块链仅仅只是存储的作用，也稍微提了一下）。精读完这篇文章，整体感觉还不错，毕竟是CCFA类期刊。下面是自己读后感，根据自己的语言来做了一些笔记，也相当于回顾。其中，有理解不到位的地方望指正，建议读者还是看原文。原文链接：Privacy-PreservingByzantine-
(1)当前面临的问题是什么以及原因？虽然sensorfusion在该领域越来越受欢迎，但是对劣质图像(inferiorimage)条件鲁棒性不好，（例如照明不佳和传感器未对准），现有的融合方法很容易受到这些条件的影响，主要是由于calibrationmatrices建立的LiDARpoints和imagepixels的硬关联(hardassociation)。注 ：calibrationmatrices标定矩阵：用于校准相机和LiDAR硬关联(hardassociation）机制是指利用标定矩阵来建立LiDAR点和image像素的关联(2)作者提出的解决问题的方法作者提出TransFusion
