Visual Safety Mapping for UAV Landings Using Ordinal Regression Networks
Notice bibliographique
Résumé
As Unmanned Aerial Vehicles (UAVs) see growing use in civilian applications, reliably identifying Safe Landing Zones (SLZs) in varied environments is essential for autonomous navigation and emergency response. Passive vision sensors offer a low-cost, lightweight solution for real-time terrain analysis and 3D scene reconstruction, making them ideal for onboard systems. We introduce OR-SLZNet, an original deep learning model based on ordinal regression to predict SLZs from UAV imagery. Unlike prior approaches, OR-SLZNet produces dense, multi-level safety maps by jointly leveraging photometric (e.g., color and texture) and geometric cues (e.g., flatness, slope, and depth), assigning each pixel an ordinal safety score that reflects landing suitability. With real-time inference (~0.02s/frame), the model supports onboard deployment and rapid decision-making in time-critical situations. Extensive experiments on five diverse datasets demonstrate OR-SLZNet effectiveness and strong generalization across a wide range of structural complexities. Additional materials and code are available at <uri xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">https://github.com/saba129/OR-SLZNet</uri>.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».