A Quarter Century Journey: Evolution of Object Detection Methods
Notice bibliographique
Résumé
One of the most important tasks in computer vision is object detection, which is identifying and recognizing things in pictures or video frames. The field of object detection algorithms has advanced significantly over the years, especially with the introduction of Convolutional Neural Networks (CNNs) and, more recently, Transformers. The survey begins by reviewing the pioneering methods that laid the foundation for modern object detection. It explores the watershed moment in 2012 when the arrival of deep learning-based approaches, specifically Convolutional Neural Networks (CNNs), transformed the field. We delve into the pivotal role played by datasets namely ImageNet, PASCAL VOC, and COCO in driving progress through benchmark challenges. The objective of this survey study is to present an in-depth analysis of the development of object detection techniques., starting from the conventional CNN-based methods to the cutting-edge Transformer-based architectures, and finally exploring the emerging hybrid models that integrate the best features of both CNN and transformers. Furthermore, the survey investigates challenges in object detection, such as handling occlusions, scale variations, and real-world deployment issues, while also discussing evaluation metrics and benchmarks used to assess performance. The paper also sheds light on the ethical implications of object detection, particularly concerning privacy and bias.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,007 | 0,013 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».