Sensors·10月21日 · 周三论文农业遥感与作物表型阅读 0
Object Detection in Computer Vision: A Comprehensive Review of Algorithms, Datasets, and Evaluation Techniques
Md. Faishal Rahaman · Xueyuan Li · Md Nagib Mahfuz Sunny 等 6 人
论文解读
0未达精选线
速览
系统综述目标检测三十年演进，从传统方法到深度学习、Transformer与大模型。
方法
综述SIFT/HOG、R-CNN/YOLO/SSD、DETR/ViT及GPT-4
发现
梳理算法与数据集进展，指出轻量边缘部署、传感器融合、公平性与多模态融合等空白。
机会点
可将轻量边缘部署与多模态视觉语言模型结合，用于农业场景实时目标检测与决策。
影响力0
信息增量0
专业深度0
信源权威0
时效性0
通用计算机视觉综述，仅在数据集部分涉及农业领域，不属于三农或农业信息化主题，不建议进入每日精选。
原文摘要
目标检测在三十年间经历了显著演变，从手工设计特征发展到深度学习、Transformer，再到如今的大语言模型。本文对这一演进过程进行了全面系统的综述，涵盖传统方法（SIFT、HOG、Viola-Jones）、基于CNN的单阶段与两阶段检测器（R-CNN系列、YOLO v1–v12、SSD）、基于Transformer的架构（DETR、ViT、Swin）以及新兴的LLM驱动方法（GPT-4V、Grounding DINO、YOLO-World）。我们采用关键指标——mAP、IoU、FPS——对这些方法进行基准测试与比较，并分析了涵盖通用、自动驾驶、医学、遥感与农业领域的50余个数据集。通过批判性综合，我们识别出持续存在的研究空白：轻量化边缘部署、面向实时系统的传感器融合、AI中的偏见与公平性，以及多模态视觉—语言集成。通过整合三十年的进展并勾勒未来挑战，本综述为致力于开发准确、高效且可靠的目标检测系统的研究人员与实践者提供了有价值的参考资源。
信源（1 个）