A Multi-Stage Approach to UAV Detection, Identification, and Tracking Using Region-of-Interest Management and Rate-Adaptive Video Coding
Notice bibliographique
Résumé
The drone industry has opened its market to ordinary people, making drones prevalent in daily life. However, safety and security issues have been raised as the number of accidents rises (e.g., losing control and colliding with people or invading secured properties). For safety and security purposes, observers and surveillance systems must be aware of UAVs invading aerial spaces. This paper introduces a UAV tracking system with ROI-based video coding capabilities that can efficiently encode videos with a dynamic coding rate. The proposed system initially uses deep learning-based UAV detection to locate the UAV and determine the ROI surrounding the detected UAVs. Afterward, the ROI is tracked using optical flow, which is relatively light in computational load. Furthermore, our devised module for effective compression, XROI-DCT, is applied to non-ROI regions, so a different coding rate is applied depending on the region during encoding. The proposed UAV tracking system is implemented and evaluated by utilizing videos from YouTube, Kaggle, and a video of 3DR Solo2 taken by the authors. The evaluation verifies that the proposed system can detect and track UAVs significantly faster than YOLOv7 and efficiently encode a video, compressing 70% of the video based on the ROI. Additionally, it can successfully identify the UAV model with a high accuracy of 0.9869 ROC–AUC score.
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 | 0,001 |
| 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) | 0,001 | 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 ».