АНАЛИЗ УСТОЙЧИВОСТИ МОДЕЛЕЙ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ БПЛА ПРИ ОГРАНИЧЕННЫХ И ИСКАЖЕННЫХ ДАННЫХ
DOI:
https://doi.org/10.52167/1609-1817-2025-1-S1-490-497Ключевые слова:
БПЛА, устойчивость моделей, глубокое обучение, ограниченные данные, обнаружение объектов, transfer learningАннотация
В последние годы задачи автоматического обнаружения и классификации беспилотных летательных аппаратов (БПЛА) стали ключевыми в обеспечении безопасности объектов и мониторинга воздушного пространства. Однако большинство существующих моделей глубокого обучения требуют большого объема размеченных данных и стабильных условий съемки, что затрудняет их применение в реальных сценариях. В данной статье рассматриваются проблемы устойчивости детекторов БПЛА при недостатке обучающих данных, наличии шумов, погодных и спектральных искажений. Обозреваются методы повышения устойчивости, такие как data augmentation, transfer learning и синтетические датасеты. Предлагается базовая экспериментальная схема оценки надежности моделей при вариативных условиях данных. Целью работы является формирование базы для последующих прикладных исследований в области устойчивого обнаружения БПЛА в условиях реального мира.
Библиографические ссылки
Jingdong Sun, Siyu Huang, Feng Liu, Qi Dai, Zhi-Qi Cheng. Securing the Skies: A Comprehensive Survey on Anti-UAV Methods, Benchmarking, and Future Directions. arXiv preprint arXiv:2504.11967, 2024. [Online]. Available: https://arxiv.org/abs/2504.11967
Himanshu Gupta, Oleksandr Kotlyar, Henrik Andreasson, Achim J. Lilienthal. Robust Object Detection in Challenging Weather Conditions. 2024 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), Pages: 7508-7517
Kai Ye, Haidi Tang, Bowen Liu, Pingyang Dai, Liujuan Cao, Rongrong Ji. More Clear, More Flexible, More Precise: A Comprehensive Oriented Object Detection Benchmark for UAV. arXiv:2504.20032v1 [cs.CV], 28 Apr 2025. https://arxiv.org/abs/2504.20032
Snell J, Swersky K, Zemel R. Prototypical networks for few-shot learning. In: Advances in neural information processing systems, vol. 30. 2017. https://proceedings.neurips.cc/paper_files/paper/2017/hash/cb8da6767461f2812ae4290eac7cbc42-Abstract.html. (Accessed 30 June 2023)
Preston B. Polak, Joseph Prusa, Taghi Khoshgoftaar. Low-shot learning and class imbalance: a survey. Journal of Big Data, 02 January 2024
Zhen Cao, Lammert Kooistra, Wensheng Wang, Leifeng Guo and João Valente. Real Time Object Detection Based on UAV Remote Sensing: A Systematic Literature Review. Drones 2023, 7(10), 620; https://doi.org/10.3390/drones7100620
Dawei Du, Yuankai Qi, Hongyang Yu, Yifan Yang, Kaiwen Duan, Guorong Li, Weigang Zhang, Qingming Huang, Qi Tian. The Unmanned Aerial Vehicle Benchmark: Object Detection and Tracking. 26 Mar 2018. https://arxiv.org/abs/1804.00518
Giulia Rizzoli, Francesco Barbato, Matteo Caligiuri, Pietro Zanuttigh. SynDrone -- Multi-modal UAV Dataset for Urban Scenarios, 21 Aug 2023, arXiv:2308.10491.
Vinicius G. Goecks, Grayson Woods, John Valasek. Combining Visible and Infrared Spectrum Imagery using Machine Learning for Small Unmanned Aerial System Detection. 2 Apr 2020. arXiv:2003.12638. https://arxiv.org/abs/2003.12638.
Wahab Khawaja, Martins Ezuma, Vasilii Semkin, Fatih Erden, Ozgur Ozdemir, Ismail Guvenc. A Survey on Detection, Classification, and Tracking of UAVs Using Radar and Communications Systems. IEEE Communications Surveys & Tutorials. 25 March 2025
Xuexue Li, Wenhui Diao, Yongqiang Mao, Peng Gao, Xiuhua Mao, Xinming Li, Xian Sun. OGMN: Occlusion-guided Multi-task Network for Object Detection in UAV Images. 24 Apr 2023. arXiv:2304.11805
Ajaya Adhikari, Richard den Hollander, Ioannis Tolios, Michael van Bekkum, Anneloes Bal, Stijn Hendriks, Maarten Kruithof, Dennis Gross, Nils Jansen, Guillermo Pérez, Kit Buurman, Stephan Raaijmakers. Adversarial Patch Camouflage against Aerial Detection. 31 Aug 2020. arXiv:2008.13671
Adam Van Etten. The Weaknesses of Adversarial Camouflage in Overhead Imagery. 6 Jul 2022. arXiv:2207.02963
Rui Shi, Xiaodong Yu, Shengming Wang, Yijia Zhang, Lu Xu, Peng Pan, Chunlai Ma. RFUAV: A Benchmark Dataset for Unmanned Aerial Vehicle Detection and Identification. arXiv:2503.09033, 2025
Savio Sciancalepore. Privacy and Confidentiality Issues in Drone Operations: Challenges and Road Ahead. IEEE Network (Volume: 38, Issue: 6, November 2024)
Matanel Oren, Michael Hassid, Nir Yarden, Yossi Adi, Roy Schwartz. Transformers are Multi-State RNNs. 18 Jun 2024. arXiv:2401.06104
Muhammad Ovais Yusuf, Muhammad Hanzla, Naif Al Mudawi, Touseef Sadiq, Bayan Alabdullah, Hameedur Rahman, Asaad Algarni. Target detection and classification via EfficientDet and CNN over unmanned aerial vehicles. Front. Neurorobot., 30 August 2024. Volume 18 - 2024
Jiya Tian, Qiangshan Jin, Yizong Wang, Jie Yang, Shuping Zhang and Dengxun Sun. Performance analysis of deep learning-based object detection algorithms on COCO benchmark: a comparative study. Journal of Engineering and Applied Science 71, Article number: 76 (2024)
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 Гульбахар Юсупова, Шарафат Мирзакулова, Абылай Назерке, Мейірхан Сатылған, Эльвира Қадылбекқызы, Адиль Малаев
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
