AUTOMATED UAV-BASED VIDEO EXPLOITATION FOR MAPPING AND SURVEILLANCE
Notice bibliographique
Résumé
Airborne intelligence, surveillance and reconnaissance (ISR) can provide essential information for both military and civilian applications. Such capabilities are critical for situational awareness, mapping and monitoring, and mission planning. UAVs gather large amounts of video data, but it is extremely labour-intensive for operators to analyse the hours and hours of data collected. At MDA, we have developed a suite of video exploitation tools to process UAV video data, including tools for mosaicking, change detection and 3D reconstruction. The main objective of this work is to improve the robustness of these tools, to integrate these tools within a standard GIS framework, to automate the tools, and to present these tools in user-friendly ways to operational users. Our mosaicking tool produces a 2D map from the sequence of video frames contained in a video clip. For scene monitoring applications, our change detection tool identifies differences between two videos taken from two passes of the same terrain at different times. Our 3D reconstruction tools create calibrated geo-referenced photo-realistic 3D models, which are useful for situational awareness. The semi-automated approach allows the user to create surfaces interactively by marking correspondences between frames, while the automated approach generates 3D models automatically. MDA provides UAV services to the Canadian and Australian forces, offering important ISR information to front-line soldiers. Our suite of semi and fully automated video exploitation tools can aid the operators to analyse the huge amount of UAV video data to support battle-space mapping and monitoring applications. 1.
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) | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».