Improving Accuracy of Object Detection in Autonomous Drones with Convolutional Neural Networks
Notice bibliographique
Résumé
Increasing use of autonomous drones in such areas as agriculture, disaster response and surveillance means that an effective and precise method of object recognition is becoming more important. In this study, we use Convolutional Neural Networks (CNNs) to bring additional precision to autonomous drone object detecting systems. While conventional machine learning approaches fail miserably in having complicated contexts and real time processing, CNN have sucessfully handles visual identification task. Based on state of the art methods being data augmentation and transfer learning, plus being real time with data augmentation of the raw data on the edge processor, this research introduces a convolutional neural network (CNN) model which has been fine-tuned and can be used for drones. The model is trained and tested on a big dataset of aerial photos acquired by drones. The item classification on this dataset varies from lighting conditions, to weather variables, etc. A considerable increase in the object detection accuracy is found from experimental findings in reducing false positives and improving resilience in dynamic contexts. Furthermore, the suggested model allows for detection with little latency, making it a good model for drones that must be deployed in real-time. Not only does this work contribute to bolstering rapidly growing autonomous drone navigation, it has great promise in environmental monitoring, SAR, and precision agriculture, and other applications. The components of the models are being researched on how scalable they are and how do they scale up on hardware that has limited resources.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».