改进无人机和鸟类差异化的生物灵感运动检测模型:一种新的深度学习框架.
Najiba Said Hamed Al-Zadjali1, Sundaravadivazhagan Balasubaramanian2, Charles Savarimuthu1
1College of Computing and Information and Sciences, University of Technology and Applied Sciences, Al Mussanah, Oman.
Scientific reports
|May 3, 2025
概括
这项研究引入了一个时空生物响应神经网络 (STBRNN),用于区分无人机和鸟类. 新型深度学习模型在实时检测中实现了高精度,显著减少了假阳性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 越来越多的无人驾驶飞行器 (UAV) 部署引发了对鸟类的检测和区分的担忧,特别是在机场等关键地区.
- 由于类似的飞行模式,当前的检测系统在区分无人机和鸟类方面面临挑战,导致高错误阳性率和错过检测.
研究的目的:
- 开发一种新的生物灵感深度学习模型,以增强无人机和鸟类之间的实时差异化.
- 提高航空和无人机检测系统的准确性和效率.
主要方法:
- 介绍了时空生物响应神经网络 (STBRNN),这是一个生物启发的深度学习模型.
- STBRNN集成了一个生物灵感卷积神经网络 (Bio-CNN) 空间特征,门式循环单位 (GRU) 时间动态,和一个生物响应层适应性注意力.
- 利用了标记无人机和鸟类图像/视频的数据集,使用YOLOv7规格进行处理,并将STBRNN与五种最先进的模型进行比较.
主要成果:
- STBRNN表现出卓越的性能,精度为0.984,回忆率为0.964,F1得分为0.974,与联盟 (IoU) 的交叉点为0.96.
- 实现了每45ms的快速推断时间,适合实时应用.
- 在比较实验中表现优于YOLOv5,更快的R-CNN,SSD,RetinaNet和R-FCN.
结论:
- 该STBRNN模型在实时准确区分无人机与鸟类方面取得了重大进展.
- 它的生物灵感设计和适应性注意力机制为关键检测应用提供了强大的性能.
- 该模型的效率和高精度使其成为提高敏感环境安全性的有希望的解决方案.


