Sequence Models for Drone vs Bird Classification

要約

ドローンのコストが低下し、ドローン技術が向上するにつれて、ドローン検出は物体検出において不可欠なタスクになりました。
ただし、コントラストが弱く、距離が長く、視界が悪い場合、遠くのドローンを検出することは困難です。
この作業では、ドローン トラックの検出された偽陽性率を減らすために、いくつかのシーケンス分類アーキテクチャを提案します。
さらに、提案されたアーキテクチャをトレーニングおよび評価するために、新しいドローンと鳥のシーケンス分類データセットを提案します。
3D CNN、LSTM、および Transformer ベースのシーケンス分類アーキテクチャは、提案されたデータセットでトレーニングされ、提案されたアイデアの有効性が示されました。
実験が示すように、シーケンス情報を使用すると、鳥の分類と全体的な F1 スコアをそれぞれ最大 73% と 35% 向上させることができます。
すべてのシーケンス分類モデルの中で、R(2+1)D ベースの完全な畳み込みモデルは、最良の転移学習と微調整の結果をもたらします。

要約(オリジナル)

Drone detection has become an essential task in object detection as drone costs have decreased and drone technology has improved. It is, however, difficult to detect distant drones when there is weak contrast, long range, and low visibility. In this work, we propose several sequence classification architectures to reduce the detected false-positive ratio of drone tracks. Moreover, we propose a new drone vs. bird sequence classification dataset to train and evaluate the proposed architectures. 3D CNN, LSTM, and Transformer based sequence classification architectures have been trained on the proposed dataset to show the effectiveness of the proposed idea. As experiments show, using sequence information, bird classification and overall F1 scores can be increased by up to 73% and 35%, respectively. Among all sequence classification models, R(2+1)D-based fully convolutional model yields the best transfer learning and fine-tuning results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google