SEA-YOLO: Thermal Imaging Object Detection via Spatial Edge Attention for Low-visibility Autonomous Driving
Notice bibliographique
Résumé
Autonomous driving demands safer and more reliable intelligent perception systems, particularly for object detection. Recent deep learning–based approaches usually rely on RGB (visual spectrum) images for object detection as a basis for environment perception. However, visual cameras perform poorly under low-visibility conditions, reducing their effectiveness in adverse environments. To address this issue, infrared (IR) thermal imaging has been introduced, as it can capture objects based on heat signatures that are often invisible in RGB. Nevertheless, thermal images also suffer from drawbacks, including low resolution, high noise, and unclear boundaries, which restrict their performance in complex, real-world scenarios. Thus, many IR-based object detection models combine RGB and IR modalities to improve robustness, though at the cost of increased architectural complexity and computational time. To overcome these challenges, this research proposes an enhanced single-modality thermal imaging–based convolutional neural network (CNN). The network integrates an efficient spatial edge extractor, coupled with an attention mechanism, into a YOLO backbone, for edge-aware learning, which we term the Spatial Edge Attention YOLO (SEA-YOLO). This integration enables the network to leverage objects’ boundary information more effectively, thereby improving object detection accuracy. Experimental results on multiple benchmark datasets demonstrate that the proposed approach achieves a strong detection rate, proving its potential for safer and more reliable driving assistance systems (DAS) in low-visibility conditions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».