Key points are not available for this paper at this time.
जबकि वाणिज्यिक और औद्योगिक क्षेत्रों में यूएवी अधिक सामान्य होते जा रहे हैं, सार्वजनिक सुरक्षा और अन्य क्षेत्रों ने बिना चालक वाले हवाई वाहन (यूएवी) की पहचान पर अधिक ध्यान देना शुरू कर दिया है। यूएवी द्वारा ऑब्जेक्ट डिटेक्शन के लिए विधियाँ भी तेजी से प्रगति कर रही हैं। फिर भी, शोधकर्ताओं को इस क्षेत्र में काफी बाधाओं को पार करना है, क्योंकि ड्रोन का आकार बहुत छोटा होता है, जटिल एयरस्पेस बैकग्राउंड होता है और प्रकाश की परिस्थितियाँ बदलती रहती हैं। इन मुद्दों का समाधान करते हुए, यह कार्य छोटे यूएवी का पता लगाने के लिए एक दृष्टिकोण प्रस्तुत करता है जो सुधारित YOLOv8 का उपयोग करता है। पहला कदम छोटे निशानों के लिए उपकरण की पहचान की क्षमताओं को उच्च-रिज़ॉल्यूशन पहचान सिर जोड़कर अपग्रेड करना है। अध्ययन के अनुसार, YOLOv8 नेटवर्क के बड़े लक्ष्यों की भविष्यवाणी परत, फीचर एक्सट्रैक्शन और फ्यूजन परतों को समाप्त कर दिया गया है। यूएवी भविष्यवाणी के लिए केवल चार, आठ, या सोलह-नमूनों वाले फीचर मैप्स संग्रहित किए जाते हैं। अपग्रेडेड नेटवर्क आर्किटेक्चर, जो तीसरी C2f परत से फीचर मैप्स को सिडल करने के लिए सीधे SPPF में फीड करता है, का उपयोग 16 गुना डाउन-सैम्पलिंग करके मल्टी-स्केल फीचर एक्सट्रैक्शन के लिए किया जाता है। Upsample-ConcatC2f मॉड्यूल को छोड़ने के बाद, फ्यूज़्ड फीचर मैप्स तुरंत अगले घटक से जुड़े होते हैं। हमारी विधि मौलिक मॉडल की तुलना में सटीकता में 11.9%, पुनःप्राप्ति में 15.2%, और औसत सटीकता (MAP) में 9% का सुधार करती है। मॉडल का आकार 57.9% कम किया गया है, और सीमाओं की संख्या 60% कम की गई है। इसके अलावा, हमारी दृष्टिकोण इंजीनियरिंग संचालन और वास्तविक दुनिया के यूएवी ऑब्जेक्ट पहचान प्रणाली अनुप्रयोगों के लिए बेहतर उपयुक्त है, और यह स्व-निर्मित डेटा सेट का उपयोग करके तुलनात्मक अध्ययन और प्रयोगों में स्पष्ट लाभ दिखाती है।
सेन एट अल. (शुक्र,) ने इस प्रश्न का अध्ययन किया।