Preprints.org·8月31日 · 周一论文农业遥感与作物表型阅读 3
Object Detection in Computer Vision: A Comprehensive Review of Algorithms, Datasets, and Evaluation Techniques
Md. Faishal Rahaman · Li Xueyuan · Md Nagib Mahfuz Sunny 等 6 人
论文解读
56未达精选线
速览
系统综述目标检测三十年发展，从传统方法到深度学习、Transformer及大语言模型，并分析数据集与
方法
系统综述，涵盖传统、CNN、Transformer及LLM方法，比较mAP、Io
发现
识别出轻量边缘部署、传感器融合、公平性及多模态视觉语言集成等研究空白。
机会点
农业领域目标检测可探索轻量模型与多模态融合，结合遥感数据提升复杂场景下的实时检测精度。
影响力8
信息增量18
专业深度18
信源权威10
时效性2
综述覆盖农业领域目标检测应用，但时效性低，影响有限。
原文摘要
目标检测在过去三十年间经历了深刻的演变，从手工特征工程发展到深度学习、Transformer架构，直至如今的大语言模型。本文对这一演进过程进行了全面的系统性综述，涵盖了传统方法（SIFT、HOG、Viola-Jones）、基于CNN的单阶段和双阶段检测器（R-CNN系列、YOLO v1–v12、SSD）、基于Transformer的架构（DETR、ViT、Swin），以及新兴的由大语言模型驱动的方法（GPT-4V、Grounding DINO、YOLO-World）。我们使用关键指标——mAP、IoU、FPS——对这些方法进行了基准测试和比较，并分析了涵盖通用、自动驾驶、医学、遥感及农业领域的50多个数据集。我们的批判性综合指出了持续存在的研究空白：轻量级边缘部署、用于实时系统的传感器融合、人工智能中的偏见与公平性，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，本综述为开发准确、高效且可靠的目标检测系统的研究人员和从业者提供了宝贵的资源。
信源（1 个）