Amélioration des performances d'un détecteur de drone optique

Abstract

Dans cette recherche, nous proposons une nouvelle approche pour améliorer l'efficacité de la détection des drones. Nous introduisons une technique de prétraitement d'image qui utilise des réseaux neuronaux de Transfer Learning (TL), qui se sont révélés efficaces dans diverses tâches de vision par ordinateur. En exploitant les connaissances préalablement acquises à partir de vastes ensembles de données d'images, le TL permet au réseau de s'adapter rapidement et d'apprendre des caractéristiques pertinentes spécifiques à la détection des drones. Cette approche améliore considérablement la précision et la vitesse de détection, la rendant adaptée aux scénarios de surveillance en temps réel. De plus, nous incorporons une séquence de correction de lacet-tangage-roulis dans le pipeline de prétraitement d'image. Les drones peuvent adopter différentes orientations et angles pendant leur vol, ce qui peut affecter leur représentation visuelle dans les images capturées. En appliquant une correction de lacettangage-roulis, nous alignons l'orientation du drone, normalisantainsi l'image et réduisant les erreurs potentielles de détection causées par les perspectives variables. En combinant la puissance des réseaux neuronaux de Transfer Learning avec la séquence de correction de lacet-tangage-roulis, notre méthode proposée vise à atteindre une plus grande efficacité, précision et fiabilité de détection dans les systèmes de détection optique des drones. Les résultats de nos expériences démontrent l'efficacité de cette approche et son potentiel pour améliorer les capacités de surveillance dans des environnements et applications divers.