Drone ve Bird Challenge Duyurusu
OBSS AI olarak, drone'ları tespit etme konusunda en prestijli yarışma olan WOSDETC Drone vs Bird Challenge 2021'de 1. olduğumuzu bildirmekten mutluluk duyuyoruz.
Drone vs Bird Challenge Nedir?
Drone vs. Bird Detection Challenge, IEEE Uluslararası Gelişmiş Video ve Sinyal Tabanlı Gözetim Konferansı'nın (AVSS) 14. edisyonunun bir parçası olarak düzenlenen Uluslararası Küçük-Drone Gözetimi, Algılama ve Karşı Eylem Teknikleri Çalıştayı'nın (WOSDETC) ilk edisyonu sırasında 2017 yılında başlatılmıştır. Bu yarışma, dronlar ve kuşlar arasında ayrım yapmanın teknik sorunlarını ele almayı amaçlamaktadır. Özellikleri göz önüne alındığında, aslında, dronlar özellikle uzun mesafelerde kuşlarla kolayca karıştırılabilir, bu da gözetim görevini daha da zorlaştırır. Video analitiğinin kullanımı sorunu çözebilir, ancak zayıf kontrast, uzun menzil, düşük görünürlük gibi olumsuz koşullar altında çalışabilen etkili algoritmalara ihtiyaç vardır.
2021 yılında, Drone vs Bird Detection Challenge daha kapsamlı bir test seti ile üçüncü kez düzenlenmiştir. Yarışma hakkında daha fazla bilgi için yarışmanın web sitesini ziyaret edebilirsiniz: https://wosdetc2021.wordpress.com/drone-vs-bird-detection-challenge/
Drone vs Bird Detection Challenge 2021 için, eğitim verisi olarak 77 farklı video dizisi sunulmuştur. Bu video dizileri, yarışmanın önceki bölümünden gelmekte olup, Fraunhofer IOSB araştırma enstitüsü tarafından MPEG4 kodlu sabit kameralar kullanılarak toplanmıştır. Video dizileri hem sabit hem de hareketli kameralarla kaydedilmiştir ve çözünürlükleri 720×576 ile 3840×2160 piksel arasında değişmektedir.
Veri kümesinde 3'ü sabit kanatlı ve 5'i döner kanatlı olmak üzere toplam 8 farklı tipte drone bulunmaktadır. Her video için, dronların sahnelere girdiği kareler için kare numarasını ve sınırlayıcı kutuyu ([topx topy width height] olarak ifade edilir) içeren ayrı bir açıklama dosyası sağlanmıştır.
Bizim Çözümümüz
Yöntemimiz, gerçek ve sentetik olarak üretilen verilerle bir YOLOv5 modeline ince ayar yaparak ve ardından algılama güvenini artırmak için Kalman tabanlı bir nesne izleyici kullanarak drone algılama sorununa yaklaşmaktadır. Sonuçlarımız, gerçek verilerin en uygun sentetik veri alt kümesiyle artırılmasının performansı artırabileceğini göstermektedir. Ayrıca, nesne izleme yöntemleriyle toplanan zamansal bilgiler performansı daha da artırabilir.
itibariyle en hızlı ve yeterince doğru çapa tabanlı nesne algılayıcı olduğu için seçilmiştir. Ayrıca, performansı artırdığı kanıtlanmış otomatik çapa optimizasyonunu ve farklı ölçeklerdeki nesneleri işleyebilen çok seviyeli özellik aşamalarını desteklemektedir.
Nesne izleme algoritmaları, nesne tespitlerinin zaman içinde sürekliliğini sağlamak için kullanılır. Nesnelerin izlenmesi doğrudan gerekli olmasa da, videodaki nesneler hakkında performansı daha da artırabilecek zamansal bilgiler sağlar. Nesne algılama ağının tahminleri üzerinden basit bir Kalman tabanlı izleme yöntemi uygulanır. İzleme parametreleri, hareketli kamera senaryoları göz önünde bulundurularak drone takibi için optimize edilmiştir. Ayrıca, bir izdeki maksimum güven değerini tüm bağımsız çerçeve tahminlerine atayarak, genel AP puanına daha fazla katkıda bulunan iz tabanlı bir güven artırma uyguluyoruz.
Derin öğrenmede sentetik verilerin kullanılması, verilerin az olduğu veya mevcut olmadığı senaryolarda yararlı görünmektedir. Sentetik veri tek başına gerçek veri ile aynı performansı gösteremese de gerçek veri ile birlikte kullanıldığında performansı artırdığı görülmüştür. Drone takip problemi için 3D drone nesnelerini 2D arka planların önüne konumlandırarak etiketli, rastgele kompozisyonlar oluşturmaya yönelik bir yöntem tasarlanmıştır. Bu yöntem, drone tespit problemi için 3B rastgele ortam oluşturmanın zor olması ve drone gibi konumdan bağımsız bir nesnenin 2B arka planlarla uygun şekilde kullanılabilmesi nedeniyle seçilmiştir. Veri kümesini oluşturmak için 3B drone modelleri konum, döndürme ve aydınlatma gibi çeşitli koşullarla render edilmiş, rastgele arka plan görüntüleri üzerinde işlem sonrası efektler uygulanmıştır.
Daha fazla teknik ayrıntı için yayınlanmış makalelerimize bakın:
