深度分析
SDQM:結合多子指標的合成影像品質評估,提升目標偵測 mAP50 表現
隨著真實影像標註成本高,研究提出 SDQM 指標以量化合成資料於目標偵測的效用。該指標結合像素、空間、頻率與特徵層面的分布差異,並以非參數統計與自動化模型衡量可分離性與聚類性。實驗顯示 SDQM 與 YOLOv11 的 mAP50 相關係數高達 0.87,能在不完整訓練下預測模型表現,提升開發效率。
深度分析
隨著真實影像標註成本高,研究提出 SDQM 指標以量化合成資料於目標偵測的效用。該指標結合像素、空間、頻率與特徵層面的分布差異,並以非參數統計與自動化模型衡量可分離性與聚類性。實驗顯示 SDQM 與 YOLOv11 的 mAP50 相關係數高達 0.87,能在不完整訓練下預測模型表現,提升開發效率。
深度分析
研究指出現有目標偵測器易受對抗擾動威脅,作者提出 BlackCAtt 以最小因果像素執行黑箱攻擊,僅需偵測框位置與標籤即可產生與其他方法相當或更佳的攻擊,若取得模型信心則可進一步縮小擾動,提升隱蔽性。