Deep Learning Model for Unmanned Aerial Vehicle-based Object Detection on Thermal Images
Notice bibliographique
Résumé
This research is related to the use of deep learning models on thermal images for object detection using Unmanned Aerial Vehicles (UAVs).Thermal imaging proves to be efficient in environments with minimal light and during nighttime, as it operates based on emitted heat rather than visible light.The ability to detect objects in thermal images enhances surveillance and security measures, particularly in dark conditions.During search and rescue missions, especially in settings with restricted visibility, thermal imaging aids in the identification of individuals or animals by detecting their heat signatures.This facilitates the process of locating them in diverse conditions.Detecting objects at night is challenging due to the lack of illumination.Experiments were conducted using the publicly available HIT-UAV dataset, consisting of 2898 images.This dataset includes several classes such as Person, Car, Bicycle, Other Vehicle, and DontCare.This study proposes the use of both YOLOv5 and YOLOv8 for object detection on this dataset.The YOLOv8 model is the latest model currently available.Both YOLOv5 and YOLOv8 variants were developed by Ultralytics.The experiment used five Yolo models: nano (n), small (s), medium (m), large (l), and extra-large (x).By using YOLOv8m, we achieved a mean Average Precision at IoU threshold 0.5 (mAP@0.5) of 0.855.The performance exceeds that of several previously proposed models, such as YOLOv4-tiny, Faster-RCNN, and YOLOv4, which yielded mAP scores of 0.504, 0.768, and 0.847, respectively.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».