Detección de vehículos a partir de imágenes de UAV con aprendizaje profundo: una revisión

La detección de vehículos a partir de imágenes de vehículos aéreos no tripulados (UAV) es una de las tareas más importantes en un gran número de aplicaciones basadas en visión por computadora. Esta tarea crucial necesita ser realizada con alta precisión y velocidad. Sin embargo, es una tarea muy desafiante debido a muchas características relacionadas con las imágenes aéreas y el hardware utilizado, como diferentes tamaños de vehículos, orientaciones, tipos, densidad, conjuntos de datos limitados y velocidad de inferencia. En los últimos años, se han propuesto en la literatura muchos métodos clásicos y basados en aprendizaje profundo para abordar estos problemas. Las técnicas basadas en ingeniería manual y aprendizaje superficial sufren de baja precisión y generalización a otros casos complejos. Los algoritmos de detección de vehículos basados en aprendizaje profundo lograron mejores resultados debido a su poderosa capacidad de aprendizaje. En este artículo, proporcionamos una revisión sobre la detección de vehículos a partir de imágenes de UAV utilizando técnicas de aprendizaje profundo. Comenzamos presentando los diferentes tipos de arquitecturas de aprendizaje profundo, como redes neuronales convolucionales, redes neuronales recurrentes, autoencoders, redes generativas antagónicas y su contribución para mejorar la tarea de detección de vehículos. Luego, nos enfocamos en investigar los diferentes métodos de detección de vehículos, conjuntos de datos y los desafíos encontrados, junto con las soluciones sugeridas. Finalmente, resumimos y comparamos las técnicas utilizadas para mejorar la detección de vehículos a partir de imágenes basadas en UAV, lo que podría ser una ayuda útil para investigadores y desarrolladores para seleccionar el método más adecuado a sus necesidades.