Key points are not available for this paper at this time.
Die aktuelle Technologie in der Überwachung von Militärfahrzeugteilen bildet die Grundlage für Informationskriegführung durch Informationen, die durch Überwachungs- und Verfolgungsoperationen in komplexen Situationen gewonnen werden. Daher unterstützt der Prozess der Identifizierung und Klassifizierung von Fahrzeugen durch ein Luffahrzeug, das mit einem ressourcenbeschränkten Gerät und einem intelligenten Objekterkennungsalgorithmus ausgestattet ist, Sicherheitsbehörden erheblich. Es ist möglich, dieses Fahrzeug entweder manuell oder autonom zu nutzen. Um diese Probleme zu überwinden, wird die Erkennung militärischer Fahrzeuge basierend auf Edge-Geräten von unbemannten Luftfahrzeugen (UAV) vorgeschlagen. Derzeit gibt es keinen öffentlich verfügbaren Datensatz, der verschiedene Militärklassen enthält. Daher verwendet der vorgeschlagene Ansatz einen Datensatz, der aus 6772 Bildern besteht, die als Panzer, Militärlastwagen, Hubschrauber, Flugzeuge, Zivilautos und zivile Flugzeuge gekennzeichnet sind. Dieser Datensatz wird verwendet, um Deep-Learning-Modelle wie Quantized SSD Mobilenetv2 und Tiny Yolo v5 zu trainieren, die dann mit ressourcenbeschränkten Edge-Geräten verglichen werden. Die Ergebnisse zeigen, dass Tiny Yolo v5 andere Modelle übertrifft und hohe Effizienz sowie Eignung für Edge-basierte Geräte aufgrund seines leichten Designs zeigt.
Umasankar et al. (Fr,), untersuchten diese Frage.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: