Detección rápida de vehículos en imágenes de UAV

La detección rápida y precisa de vehículos en imágenes de vehículos aéreos no tripulados (UAV) sigue siendo un desafío, debido a su muy alta resolución espacial y muy pocas anotaciones. Aunque existen numerosos métodos de detección de vehículos, la mayoría de ellos no puede lograr una detección en tiempo real para diferentes escenas. Recientemente, los algoritmos de aprendizaje profundo han logrado un rendimiento de detección fantástico en visión por computadora, especialmente las redes neuronales convolucionales basadas en regresión YOLOv2. Es bueno tanto en precisión como en velocidad, superando a otros métodos de detección de última generación. Este artículo tiene como objetivo investigar por primera vez el uso de YOLOv2 para la detección de vehículos en imágenes de UAV, así como explorar el nuevo método para la anotación de datos. Nuestro método comienza con la anotación de imágenes y la ampliación de datos. Se utiliza el método de seguimiento CSK para ayudar a anotar vehículos en imágenes capturadas de escenas simples. Posteriormente, se utiliza una red neuronal convolucional de regresión única YOLOv2 para detectar vehículos en imágenes de UAV. Para evaluar nuestro método, se tomaron imágenes de video de UAV sobre varias áreas urbanas, y se realizaron experimentos con este conjunto de datos y con el conjunto de datos del Stanford Drone. Los resultados experimentales han demostrado que nuestra estrategia de preparación de datos es útil, y que YOLOv2 es eficaz para la detección de vehículos en tiempo real de imágenes de video de UAV.