集成的神经网络框架用于使用无人机图像的多对象检测和识别
Mohammed Alshehri1, Tingting Xue2,3, Ghulam Mujtaba4
1Department of Computer Science, King Khalid University, Abha, Saudi Arabia.
Frontiers in neurorobotics
|August 14, 2025
概括
这项研究引入了一种先进的深度学习管道,用于从空中图像中准确分析车辆,改善在具有挑战性的条件下检测,跟踪和分类. 该系统在智能交通管理和自主导航方面表现出高性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 遥感 遥感 遥感 遥感
背景情况:
- 飞行器分析对于交通管理,城市规划和自动驾驶系统至关重要.
- 挑战包括小物体大小,遮蔽和无人机图像中的可变照明.
- 现有的方法在复杂的空中场景中难以获得准确性和一致性.
研究的目的:
- 开发一个强大的,端到端的深度学习管道,从无人机数据中进行准确的车辆分析.
- 为了应对空中交通监控中诸如遮蔽,变光和尺度变化等挑战.
- 增强实时交通管理和自主导航能力.
主要方法:
- 一个统一的深度学习框架,整合了RetinexNet,HRNet,YOLOv11,Deep SORT,CSRNet,LSTM,DenseNet,SuperPoint和Vision Transformers (ViTs) 的功能.
- 预处理,细分,检测,跟踪,计数,轨迹预测,特征提取和分类的模块.
- 利用注意力机制和时空分析来实现强大的表现.
主要成果:
- 在基准数据集上实现了高精度:97.8%的检测 (AU-AIR),96.9%的检测 (圆形).
- 证明了超级追踪 (96.5%AU-AIR,94.4%圆形) 和分类 (98.4%AU-AIR,97.7%圆形) 的准确性.
- 超过了以前的基准,在多样化和具有挑战性的空中交通场景中表现出稳健性.
结论:
- 拟议的深度学习系统有效地克服了空中飞行器分析方面的挑战.
- 集成的模块化架构可确保各种交通监控任务的可靠和精确的结果.
- 该框架适合在各种无人机平台上实时部署.
