基于气象模拟增强的航空图像优化:提升YOLO模型在海上搜救人体检测的跨环境鲁棒性
春夏季节是落水事故的高发期,恶劣天气、复杂海况和低能见度环境对搜救工作构成严峻挑战。据统计,2024年仅美国海岸警卫队(USCG)就执行了7,651起搜救任务(SAR),其中前6个月部署了超过1,322架次SAR直升机,突显了海上救援的高需求。为提升复杂环境下
春夏季节是落水事故的高发期,恶劣天气、复杂海况和低能见度环境对搜救工作构成严峻挑战。据统计,2024年仅美国海岸警卫队(USCG)就执行了7,651起搜救任务(SAR),其中前6个月部署了超过1,322架次SAR直升机,突显了海上救援的高需求。为提升复杂环境下
也就是说,一个典型的Region-base方法的流程是这样的:先通过计算机图形学(或者深度学习)的方法,对图片进行分析,找出若干个可能存在物体的区域,将这些区域裁剪下来,放入一个图片分类器中,由分类器分类。
YOLO 模型的类别数量取决于训练时使用的模型配置和数据集。例如,yolov8m.pt 是基于 COCO 数据集训练的,它包含 80 个类别。以下是 COCO 数据集中所有类别的完整列表: