論文地址：https://arxiv.org/pdf/2201.03243v1.pdf

一種改進且高效的基于深度學習的自主系統(tǒng)，該系統(tǒng)可以高精度地檢測和跟蹤非常小的無人機。

    整體的介紹都比較基礎(chǔ)簡單，初學者可以簡單了解！

一、前言

如今，無人機等被廣泛用于各種用途，例如從航空圖像中捕獲和目標檢測等。這些小型ariel車輛輕松進入公眾可能會造成嚴重的安全威脅。例如，關(guān)鍵地點可能會被混入公共場所的間諜使用無人機監(jiān)控。

Study in hand提出了一種改進且高效的基于深度學習的自主系統(tǒng)，該系統(tǒng)可以高精度地檢測和跟蹤非常小的無人機。所提出的系統(tǒng)由一個定制的深度學習模型“Tiny YOLOv3”組成，這是一種非常快速的目標檢測模型“You Look Only Once”（YOLO）被構(gòu)建并用于檢測。目標檢測算法將有效地檢測無人機。與之前的YOLO版本相比，所提出的架構(gòu)顯示出明顯更好的性能。在資源使用和時間復(fù)雜度方面得到了改進。

二、背景

隨著世界在融合最新技術(shù)的同時不斷進步，安全系統(tǒng)也在快速發(fā)展，以利用創(chuàng)新的力量來應(yīng)對可能出現(xiàn)的任何安全威脅。在過去的幾年里，無人機的使用量急劇增加，包括對公眾的可及性，這進一步增加了其使用量。隨著無人機使用量的增加，安全威脅也隨之增加。我們已經(jīng)看到了一些無人機飛越不同建筑物的事件，包括一些需要安全的敏感區(qū)域。

無人機還提出了許多威脅，包括無人機被用作毒品走私工具、入侵無人機導(dǎo)致它們爆炸或使用它們竊取敏感信息，無人機還被用于進行非法監(jiān)視，造成安全和隱私威脅。這些事件對安全和隱私構(gòu)成了巨大威脅。因此，解決這些安全問題的方法是檢測和跟蹤這些無人機，以便采取反制技術(shù)來阻止這些無人機，以確保安全和隱私。

此外，大多數(shù)安全或防御系統(tǒng)都具有檢測可能發(fā)生的威脅程度的能力，但是，很少有人能夠深入分析威脅。隨著機器學習和人工智能的進步，通過減少人為干預(yù)使此類系統(tǒng)變得智能化，有效的目標檢測可以幫助提高安全系統(tǒng)的效率并執(zhí)行更好的分析。

三、新框架分析

前期主要介紹了深度學習的一些基礎(chǔ)知識：

Image matrix convolution operation with multiplies filter matrix

Convolution with 3 x3 filter using Stride 2

ReLU operation

Max-Pooling

Fully Connected Layer

如上展示，盡管Tiny YOLOv3比YOLOv3快得多，但它因為它在2個尺度上執(zhí)行檢測，并沒有提供更好的準確度。

為了更好地實現(xiàn)準確性，研究者引入了一個修改后的Tiny YOLOv3架構(gòu)。該架構(gòu)總共包括31層：16個卷積層，3個檢測層，其余是用最大池化和ReLU層。以前的YOLOV3微型架構(gòu)由總共24層組成，其中包括13個卷積層、3個檢測層。

研究者修改了Tiny YOLOv3架構(gòu)，通過使用前幾層的ReLU層提取特征，將在三個尺度上進行檢測。這意味著3個yolo層將負責檢測對象。錨框用于計算預(yù)測邊界框的寬度和高度。通常，YOLOv3為每個單元使用3個錨點，這些錨點預(yù)測三個邊界框，總共9個錨點框。對于研究者的自定義目標檢測器，總共使用了6個錨框。

預(yù)測特征圖將分別為3個尺度上的13x13、26x26和52x52。隨著網(wǎng)絡(luò)向前傳播圖像，在第一個yolo層，得到一個13x13的輸出特征圖。在放置第一個yolo層之后，對下一層進行了兩倍的采樣，然后將具有相似大小的前一層的特征圖連接起來。對于第二個yolo層，得到26x26的輸出特征圖，在第三個yolo層，得到一個52x52的特征圖。這種架構(gòu)比原始的yolov3架構(gòu)更簡潔、更小，后者在3個尺度上進行檢測。此外，研究者的小而輕的架構(gòu)可以檢測具有高置信度分數(shù)的小物體。

四、實驗

Results Evaluated

AVG FPS