Detección y Seguimiento Visual de Vehículos Aéreos No Tripulados utilizando Redes Neuronales Profundas: Un Establecimiento de Referencia de Rendimiento

Los Vehículos Aéreos No Tripulados (VANT) pueden representar un riesgo importante para la seguridad de la aviación, tanto por uso negligente como malicioso. Por esta razón, la detección y seguimiento automatizado de VANT es una tarea fundamental en los sistemas de seguridad aérea. Las tecnologías comunes para la detección de VANT incluyen imágenes en banda visible y de infrarrojo térmico, radiofrecuencia y radar. Los avances recientes en redes neuronales profundas (RNP) para la detección de objetos basada en imágenes abren la posibilidad de utilizar información visual para esta tarea de detección y seguimiento. Además, estas arquitecturas de detección pueden implementarse como estructuras base para sistemas de seguimiento visual, lo que permite el seguimiento persistente de las incursiones de VANT. Hasta la fecha, no existe un establecimiento de referencia de rendimiento integral que aplique RNP a imágenes en banda visible para la detección y el seguimiento de VANT. Con este fin, se evalúan tres conjuntos de datos con condiciones ambientales variadas para la detección y el seguimiento de VANT, que comprenden un total de 241 videos (331,486 imágenes), utilizando cuatro arquitecturas de detección y tres marcos de seguimiento. La mejor arquitectura de detector obtiene un mAP del 98.6% y el mejor marco de seguimiento obtiene un MOTA del 96.3%. Se lleva a cabo una evaluación de modalidad cruzada entre espectros visible e infrarrojo, alcanzando un mAP máximo del 82.8% en imágenes visibles al entrenar en la modalidad infrarroja. Estos resultados proporcionan el primer establecimiento de referencia público de múltiples enfoques para métodos de vanguardia basados en aprendizaje profundo y dan una idea de qué arquitecturas de detección y seguimiento son efectivas en el dominio de los VANT.