针对YOLO系列的目标检测方法参数多、计算量大、生成检测模型规模大等导致对运行硬件平台计算资源要求高的问题,提出一种基于反残差结构的轻量级多目标检测网络(IR-YOLO)。首先,利用深度可分离卷积减少模型参数和计算量;其次,基于深度可分离卷积构造反残差模块,提取高维特征;最后,根据反残差结构特点,利用线性激活函数减少通道组合过程激活函数的信息损失。IR-YOLO算法较YOLOv3-Tiny算法模型尺寸减少47.7%。实验结果表明IR-YOLO算法在不影响检测精度的前提下,可有效减少网络计算量和存储量。

研究在漏检、 无杂波情况下多传感器对数目未知的目标检测中数据关联问题, 并将其表述为多 传感器数据集之间数据的组合优化分配问题, 提出一种基于 GA 的关联算法。仿真实验表明, 该算法具 有较高的关联成功率, 可大幅度提高多传感器系统的检测概率, 并能对目标个数进行优化。

基于深度学习的复杂背景雷达图像多目标检测.pdf

halcon 对于多目标的模板匹配 （基于形状的模板匹配方法） 通过该方法可对零件进行模板提取 进而对其进行模板匹配

1.代码原理 该程序逐个读取帧图片，并对帧图片逐个进行多行人检测、多目标追踪。该方法是在线方法，将逐个读取帧图片改为逐帧读取视频即可实现在线处理视频。 1.1 多行人检测。 使用gluoncv中的预训练模型faster_rcnn_fpn_bn_resnet50_v1b_coco实现多行人检测，这一步骤见detect.py。 1.2 多目标追踪。 使用sort算法实现多目标追踪，详见https://github.com/abewley/sort。 2.代码部署 2.1 配置环境。 安装python==3.6，安装requirements.txt中要求的库（代码运行实际用到的库可能少于该文件，因此建议根据代码安装所需要的库）。 2.2 准备数据。 有两种方法准备数据： 2.2.1 将A-data文件夹放入当前目录，A-data文件夹中为Track1 Track2等子文件夹，每个子文件夹中存有.jpg帧图片。 2.2.2 修改run.py的第97行，将input_folder改为A-data文件夹所在路径。 2.3 运行程序run.py。 2.4 程序输出。 程序运行时会打印处理进度及估计的剩余时间。 程序运行完成后，会在当前目录下生成output文件夹，文件夹中存有Track1 Track2等数据集对应的检测结果，.avi文件用于观察检测追踪效果，.txt文件是用于提交的文本文件。 3.调参 3.1 多目标检测模型的选择。 修改detect.py第10行(YOLO.__init__)即可，可选模型及其名称、效果详见gluoncv官网 3.2 sort算法参数的修改。 run.py第34行，参数含义见sort.py。 3.3 将sort改为deepsort。 详见https://github.com/nwojke/deep_sort。 TODO：经尝试，经deep_sort处理后的检测框位置有变形、偏移现象，待解决。 3.4 输入输出路径见run.__main__

帧差法实现运动目标的检测，画出矩形框，跟踪，以及计算质心。

旷视科技提出的Detection in Crowded Scenes: One Proposal, Multiple Predictions，使用实例集预测实例2020cvpr

2020中兴捧月算法大赛阿尔法赛道代码，任务多目标检测与跟踪。包含初赛代码和决赛优化代码。框架cascadeRCNN+deepsort+post process。包含预训练权重和比赛权重。

radar雷达LFM多目标检测

本文基于检测前跟踪技术研究了MIMO雷达系统中多个运动目标的早期预警问题,在推导已知目标数量时的二元广义似然比检验的基础上,提出了一种次优的基于逐目标消除和极坐标Hough变换(STC-PHT)的多目标检测前跟踪算法,并推导了该算法的虚警概率和检测概率表达式.与以往的多目标检测前跟踪算法相比,新算法具有较低的计算量,且本质上无需目标数量的先验信息,避免了目标数量未知时需执行多元假设检验的问题.仿真分析表明,新算法能有效地改善MIMO雷达在低信噪比条件下的检测性能.