Generative Adversarial Networks for Unmanned Aerial Vehicle Object Detection with Fusion Technology
Dossier post-publication
Source : Retraction Watch, jointe par DOI. OpenAlex consigne la rétractation dans is_retracted, un booléen sur un espace d'états à au moins quatre valeurs ; il ne peut donc exprimer ni une expression de préoccupation, ni une correction, ni un rétablissement, et les rapporte comme false, ce qui se lit comme « rien à signaler ».
Notice bibliographique
Résumé
Unmanned aerial vehicles (UAVs) also called as a drone comprises of a controller from the base station along with a communications system with the UAV. The UAV plane can be precisely controlled by a machine operator, similar to remotely directed aircraft, or with increasing grades of autonomy, as like autopilot assistance, up to completely self-directed aircraft that require no human input. Obstacle detection and avoidance is important for UAVs, particularly lightweight micro aerial vehicles, but it is a difficult problem to solve because pay load restrictions limit the number of sensors that can be mounted onto the vehicle. Lidar uses Laser for finding the distance between objects and vehicle. The speed and direction of the moving objects are detected and tracked with the help of radar. When many sensors are deployed, both thermal and electro-optro cameras have great clustering capabilities as well as accurate localization and ranging. The purpose of the proposed architecture is to create a fusion system that is cost-effective, lightweight, modular, and robust as well. Also, for tiny object detection, we recommend a novel Perceptual Generative Adversarial Network method that bridges the representation gap between small and large objects. It employs the Generative Adversarial Networks (GAN) algorithm, which iimproves object detection accuracy above benchmark models at the same time maintaining real-time efficiency in an embedded computer for UAVs. Its generator, in particular, learns to turn unsatisfactory tiny object representations into super-resolved items that are similar to large objects to deceive a rival discriminator. At the same time, its discriminator contests with the generator to classify the engendered representation, imposing a perceptual restriction on the generator: created representations of tiny objects must be helpful for detection. With three different obstacles, we were able to successfully identify and determine the magnitude of the barriers in the first trial. The accuracy of proposed models is 83.65% and recall is 81% which is higher than the existing models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».