Improving UAV Thermal Object Detection: A Comparative Assessment of Detection Approaches
Notice bibliographique
Résumé
Object detection using Unmanned Aerial Vehicles (UAVs) has become increasingly vital for applications such as surveillance, traffic monitoring, and disaster response, particularly when utilizing infrared thermal imagery. However, detecting objects in high-altitude thermal images presents significant challenges, including low resolution, noise, complex environmental conditions, and varying object sizes. This study evaluates four state-of-the-art object detection models-You Only Look Once (YOLO) version 11, You Only Look Once with Neural Architecture Search (YOLONAS), You Only Look Once version 7 (YOLOv7), and Detection Transformer (DETR) on the HIT-UAV high-altitude infrared thermal dataset and the National Institute of Informatics Chiba University (NII-CU) multispectral aerial person detection dataset. The primary challenge addressed is the difficulty in detecting objects due to substantial noise, low resolution, and object overlapping in thermal images. A preprocessing process is proposed to enhance image quality, incorporating CLAHE (Contrast Limited Adaptive Histogram Equalization) for contrast improvement and bilateral filtering for noise reduction. This pipeline enhances the input images before they are fed into the detection models. Results demonstrate that YOLO-based models (YOLOv11, YOLO-NAS, and YOLOv7) outperform DETR, with YOLOv7 achieving the highest precision and recall. DETR underperformed significantly, highlighting the superior suitability of YOLO models for thermal UAV-based object detection in challenging environments. Detection was applied to both thermal video and image datasets, showcasing the efficacy of YOLO models over DETR in these scenarios.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».