Key points are not available for this paper at this time.
يتطلب الانتشار السريع للطائرات بدون طيار عبر مختلف الصناعات، بما في ذلك المراقبة وإدارة الكوارث والخدمات اللوجستية، آليات دقيقة وفعالة للكشف والتتبع. تواجه النماذج التقليدية للتعلم العميق، مثل الشبكات العصبية التلافيفية، قيودًا في التعامل مع اكتشاف الأجسام الصغيرة، واحتجاب الرؤية، وظروف البيئات الديناميكية. توفر المحولات، من خلال استغلال آليات الانتباه الذاتي، بديلاً واعدًا من خلال التقاط الاعتماديات على المدى البعيد والعلاقات السياقية بفعالية. وبالتالي، تقترح هذه الورقة إطارًا مبنيًا على المحولات لكشف وتحصيل الطائرات بدون طيار، متضمنة تقنيات متقدمة لاستخراج الميزات وآليات الانتباه الذاتي. يقوم النموذج المقترح بمعالجة قطع الصور، مستخرجة تمثيلات غنية مكانيًا وسياقيًا لتعزيز دقة الكشف. تم استخدام مجموعة بيانات منظمة تتكون من 7620 صورة، تغطي سيناريوهات متنوعة للطائرات بدون طيار، للتدريب والتقييم. يحقق النموذج المبني على المحولات نسبة دقة متوسطة متطورة تبلغ 0.9981، متفوقًا على النماذج المعتمدة مثل YOLOv5 وYOLOX من حيث دقة الكشف. يظهر الإطار قدرات قوية في المعالجة الفورية مع زمن استدلال يبلغ 31.627 مللي ثانية ومعدل إطار يبلغ 37.44 إطار في الثانية، مما يضمن مراقبة سلسة للطائرات بدون طيار. تؤكد معايير التقييم، بما في ذلك الدقة، والدقة، والاسترجاع، ومقياس F1، موثوقية النموذج في السيناريوهات العملية.
درس محمود وآخرون هذا السؤال.