Hydra-Mask-RCNN: An Adaptive HydraNet Architecture for Autonomous Aerial Vehicle Object Detection
Notice bibliographique
Résumé
Environmental monitoring is essential for understanding and mitigating the impact of human activities on the planet, as well as for developing effective strategies for sustainable development and conservation. Accurate object detection in aerial images is crucial for environmental monitoring and surveillance using autonomous aerial vehicles (AAVs). However, existing methods, including Mask R-CNN (MRCNN) and you-only-look-once (YOLO), struggle to detect small- and medium-sized objects from AAV sensors, limiting their usability for AAV surveillance. We propose Hydra-MRCNN (HMRCNN), a multitask learning network that enhances detection precision for small- and medium-sized objects in aerial images. By integrating an adaptive branching network (ABN) with HydraNet, HMRCNN improves feature extraction and object detection capabilities. Evaluations on Microsoft Common Objects in Context (MS-COCO), Aerial-Cars, VisDrone, and Plastic in River datasets show significant improvements in average recall (AR) compared to baseline models, including MRCNN and YOLO. Our approach has important implications for environmental monitoring, enabling more accurate detection of objects relevant to transportation, security, traffic, pollution, and infrastructure management. With the growing use of AAVs in environmental surveillance, HMRCNN offers a valuable tool for enhancing environmental measurement and assessment capabilities. Our method improves detection performance by over 6% on AAV datasets, making it a valuable contribution to the field as the commercial AAV market is expected to grow from 25 billion to 50 billion in the next decade.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».