CoovallyAIHub

导读 这篇论文针对红外小目标检测提出风车形卷积 （PConv） 和尺度动态损失 （SD Loss） ，有效提升特征提取能力和检测稳定性，并在新构建数据集SIRST-UAVB上验证了显著性能提升。 近年

在工业质检场景中，AI 异常检测已成为“智能工厂”的必备技术。然而现实中，零部件缺陷往往细微、复杂且多变，传统方法难以在保证效率的同时做到精准识别。近期在ICML 2025上提出的 CostFilte

导读 本文提出频率动态卷积（FDConv） ，通过在傅里叶域构建频率多样化权重，以固定参数预算显著提升模型频率适应性。该方法在目标检测、分割等任务中性能卓越，仅增加3.6M参数即可优于现有动态卷积方法

本研究提出了一种基于YOLO集成模型与多光谱图像融合的无人机检测方法，通过融合可见光与热红外数据并结合通用YOLOv8模型与专用热成像模型，显著提升了风电部件缺陷的识别精度。 无人机巡检具有显著优势，

【导读】 在无人机拍摄的航拍图像中，目标往往只有几十个像素大小，分辨率低，容易被复杂背景淹没。如何准确识别这些小目标，是计算机视觉中最难的任务之一。传统检测模型不仅精度有限，而且在算力受限的无人机平台

本文针对嵌入式悬架系统对实时路况感知的需求，提出了轻量高效的SBP-YOLO****模型，用于检测减速带和坑洼。该模型以YOLOv11n为基础，通过引入P2检测层增强小目标检测能力，并采用GhostC

表面缺陷检测，是制造业质控环节的“最后一道关卡”。然而，传统人工检测效率低、成本高，AI模型虽在实验室中表现优异，但一旦落地到高速、复杂的工业产线，就暴露出三大痛点：缺陷数据稀缺、速度与精度难两全、场

【导读】 医学图像分割是疾病诊断和治疗规划的关键一环，尤其是在皮肤癌的早期检测中，分割的准确性直接决定诊断质量。近日，研究团队提出了一种全新模型SegDT，它结合了扩散模型 （Diffusion Mo

本研究通过超高分辨率无人机摄影测量技术对实验桥进行变形监测，实现了优于1毫米的测量精度，并首次实现了从传统点线测量到全场变形分析的跨越，揭示了桥梁在荷载下的复杂变形模式，为基础设施健康监测提供了了一种