Fusion Flow-enhanced Graph Pooling Residual Networks for Unmanned Aerial Vehicles Surveillance in Day and Night Dual Visions

要約

昼夜を問わず、指定された飛行禁止区域内にある無人航空機 (UAV) を認識することは最も重要であり、無人航空機 (UAV) は民間航空と軍用航空の両方の安全に重大な脅威をもたらします。
ただし、デュアルビジョンカメラで昼夜を問わず UAV を認識することは簡単ではありません。赤、緑、青 (RGB) 画像は曇りや嵐の日などの光が不十分な状況では検出率が低くなり、白黒画像では検出率が低下するためです。
白色赤外線 (IR) 画像では、夜間に背景と重なる UAV を捉えるのが困難です。
本稿では、昼夜デュアルビジョンにおけるUAV検出率を大幅に向上させる、新しいオプティカルフロー支援グラフプーリング残差ネットワーク（OF-GPRN）を提案します。
提案された OF-GPRN は、余分な背景を除去する新しい光学融合を開発し、RGB/IR 画像の鮮明さを向上させます。
さらに、OF-GPRN は、グラフ残差スプリット アテンション ネットワークと特徴ピラミッドを組み込むことで光学融合を拡張し、UAV の認識を改善し、UAV 検出の成功率を高めます。
包括的なパフォーマンス評価は、ベンチマーク UAV 捕獲データセットを使用して実行されます。
結果は、提案された OF-GPRN が UAV 平均平均精度 (mAP) 検出率を 87.8% に高め、残差グラフ ニューラル ネットワーク (ResGCN) ベースのアプローチと比較して 17.9% の進歩を示していることを示しています。

要約(オリジナル)

Recognizing unauthorized Unmanned Aerial Vehicles (UAVs) within designated no-fly zones throughout the day and night is of paramount importance, where the unauthorized UAVs pose a substantial threat to both civil and military aviation safety. However, recognizing UAVs day and night with dual-vision cameras is nontrivial, since red-green-blue (RGB) images suffer from a low detection rate under an insufficient light condition, such as on cloudy or stormy days, while black-and-white infrared (IR) images struggle to capture UAVs that overlap with the background at night. In this paper, we propose a new optical flow-assisted graph-pooling residual network (OF-GPRN), which significantly enhances the UAV detection rate in day and night dual visions. The proposed OF-GPRN develops a new optical fusion to remove superfluous backgrounds, which improves RGB/IR imaging clarity. Furthermore, OF-GPRN extends optical fusion by incorporating a graph residual split attention network and a feature pyramid, which refines the perception of UAVs, leading to a higher success rate in UAV detection. A comprehensive performance evaluation is conducted using a benchmark UAV catch dataset. The results indicate that the proposed OF-GPRN elevates the UAV mean average precision (mAP) detection rate to 87.8%, marking a 17.9% advancement compared to the residual graph neural network (ResGCN)-based approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google