Аналіз сучасних методів комп’ютерного зору для моніторингу та ідентифікації літаючих об’єктів: виклики та перспективи
DOI:
https://doi.org/10.18372/2073-4751.86.21283Ключові слова:
Комп’ютерний зір, моніторинг повітряного простору, нейронні мережі, глибинне навчання, ідентифікація літаючих об’єктівАнотація
У оглядовій статті проведено комплексний аналіз сучасних програмно-алгоритмічних методів комп’ютерного зору, що застосовуються для моніторингу та ідентифікації літаючих об’єктів у повітряному просторі. Актуальність дослідження зумовлена стрімким розвитком безпілотних літальних апаратів та зростанням потреби в ефективних, доступних і високоточних системах спостереження, здатних працювати в умовах невизначеності, обмежених ресурсів і складного фону. Розглянуто класифікацію основних задач комп’ютерного зору, зокрема виявлення об’єктів, класифікацію та ідентифікацію, локалізацію і супровід, а також оцінку просторового положення та поведінкових характеристик цілей. Проаналізовано еволюцію методів детекції від традиційних підходів до сучасних архітектур глибокого навчання, включаючи згорткові нейронні мережі, одностадійні та двостадійні детектори, візуальні трансформери та спеціалізовані підходи для виявлення малорозмірних об’єктів. Окрему увагу приділено проблемі розрізнення птахів і дронів, методам багатооб’єктного супроводу, алгоритмам асоціації даних, а також стійкості систем до адверсаріальних атак. Здійснено порівняльний аналіз ефективності методів комп’ютерного зору.
Посилання
Taha, B., & Shoufan, A. Machine learning-based drone detection and classification: State-of-the-art in research. IEEE Access, 2019, Vol. 7., p. 138669 - 138682. DOI: 10.1109/ACCESS.2019.2942944
Coluccia, A., Fascista, A., Schumann, A., et al. (2021). Drone vs. bird detection: Deep learning algorithms and results from a grand challenge. Sensors, 21(8).
Smyers E., Katz S., Corso A., Kochenderfer M. AVOIDDS: Aircraft Vision-based Intruder Detection Dataset and Simulator. URL: https://arxiv.org/abs/2306.11203
Girshick R., Donahue J., Darrell T., MalikRich J. feature hierarchies for accurate object detection and semantic segmentation. URL: https://arxiv.org/abs/1311.2524
J. Redmon, S. Divvala, R. Girshick and A. Farhadi, "You Only Look Once: Unified, Real-Time Object Detection," 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, pp. 779-788, DOI: 10.1109/CVPR.2016.91
A. Coluccia et al., "Drone-vs-Bird detection challenge at IEEE AVSS2017," 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), Lecce, Italy, 2017, pp. 1-6, doi: 10.1109/AVSS.2017.8078464
Thrampoulidis C., Oymak S., Soltanolkotabi M. Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View. URL: https://arxiv.org/abs/2011.07729
M. Nalamati, A. Kapoor, M. Saqib, N. Sharma and M. Blumenstein, "Drone Detection in Long-Range Surveillance Videos," 2019 16th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), Taipei, Taiwan, 2019, pp. 1-6, doi: 10.1109/AVSS.2019.8909830
Zhu P., Wen L., Du D., Bian X., Fan H., Hu Q., Ling H. Detection and Tracking Meet Drones Challenge. URL: https://arxiv.org/abs/2001.06303
Khanpour A., Wang T., Vahidi-Shams A., Ectors W., Nakhaie F., Taheri A., Claudel C. UAV-Based Intelligent Traffic Surveillance System: Real-Time Vehicle Detection, Classification, Tracking, and Behavioral Analysis. URL: https://arxiv.org/abs/2509.04624
Kaur D., Battish N., Bhavsar A., PoddarS. YOLOBirDrone: Dataset for Bird vs Drone Detection and Classification and a YOLO based enhanced learning architecture. URL: https://arxiv.org/abs/2601.08319
C. Aker and S. Kalkan, "Using deep networks for drone detection," 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), Lecce, Italy, 2017, pp. 1-6, doi: 10.1109/AVSS.2017.8078539.
Xi H, Ru L, Tian J, Wang W, Zhu R, Li S, Zhang Z, Liu L, Luan X. Towards Robust Physical Adversarial Attacks on UAV Object Detection: A Multi-Dimensional Feature Optimization Approach. Machines. 2025; 13(11):1060. https://doi.org/10.3390/machines13111060
N. Dalal and B. Triggs, "Histograms of oriented gradients for human detection," 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05), San Diego, CA, USA, 2005, pp. 886-893 vol. 1, doi: 10.1109/CVPR.2005.177.
T. -Y. Lin, P. Goyal, R. Girshick, K. He and P. Dollár, "Focal Loss for Dense Object Detection," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 42, no. 2, pp. 318-327, 1 Feb. 2020, doi: 10.1109/TPAMI.2018.2858826.
Varghese, R., & M., S. (2024). YOLOv8: A Novel Object Detection Algorithm with Enhanced Performance and Robustness. In 2024 International Conference on Advances in Data Engineering and Intelligent Computing Systems (ADICS) (pp. 1-6).
Ren, S., He, K., Girshick, R., & Sun, J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. Advances in Neural Information Processing Systems, Vol. 28. Curran Associates, Inc. 2015.
Yang M. Visual Transformer for Object Detection. URL: https://arxiv.org/abs/2206.06323
Shah, S., Tembhurne, J. Object detection using convolutional neural networks and transformer-based models: a review. Journal of Electrical Systems and Inf Technol 10, 54 (2023). https://doi.org/10.1186/s43067-023-00123-z
M. Ali A., Benjdira B., Koubaa A., El-Shafai W., Khan Z., Boulila W. Vision Transformers in Image Restoration: A Survey. https://www.researchgate.net/publication/368691069_Vision_Transformers_in_Image_Restoration_A_Survey
Brais Bosquet, Manuel Mucientes, & Víctor M. Brea (2021). STDnet-ST: Spatio-temporal ConvNet for small object detection. Pattern Recognition, 116, 107929.
T. -Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan and S. Belongie, "Feature Pyramid Networks for Object Detection," 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, pp. 936-944, doi: 10.1109/CVPR.2017.106.
Xiao, Y., Li, Z., & Zhang, Z. (2024). Enhancing Image Perception Quality: Exploring Loss Function Variants in SRCNN. In Proceedings of the 2024 7th International Conference on Computer Information Science and Artificial Intelligence (pp. 352–356). Association for Computing Machinery.
Zhang, H., Hao, C., Song, W., Jiang, B., & Li, B. (2023). Adaptive Slicing-Aided Hyper Inference for Small Object Detection in High-Resolution Remote Sensing Images. Remote Sensing, 15(5).
Nassi, B., Mirsky, Y., Nassi, D., Ben-Netanel, R., Drokin, O., & Elovici, Y. (2020). Phantom of the ADAS: Securing Advanced Driver-Assistance Systems from Split-Second Phantom Attacks. In Proceedings of the 2020 ACM SIGSAC Conference on Computer and Communications Security (pp. 293–308). Association for Computing Machinery.
Tan, M., & Le, Q. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. In Proceedings of the 36th International Conference on Machine Learning (pp. 6105–6114). PMLR.
M. Sandler, A. Howard, M. Zhu, A. Zhmoginov and L. -C. Chen, "MobileNetV2: Inverted Residuals and Linear Bottlenecks," 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA, 2018, pp. 4510-4520, doi: 10.1109/CVPR.2018.00474.
Koch G., Zemel R. Siamese Neural Networks for One-shot Image Recognition. URL: https://www.cs.cmu.edu/~rsalakhu/papers/oneshot1.pdf
Nesteruk, A., Nikitin, V., Albrekht, Y., Ścisło, Ł., Grela, D., & Król, P. (2026). Distinguishing a Drone from Birds Based on Trajectory Movement and Deep Learning. Sensors, 26(3).
Khan, S., Naseer, M., Hayat, M., Zamir, S., Khan, F., & Shah, M. (2022). Transformers in Vision: A Survey. ACM Comput. Surv., 54(10s).
Y. Wu, J. Lim and M. -H. Yang, "Online Object Tracking: A Benchmark," 2013 IEEE Conference on Computer Vision and Pattern Recognition, Portland, OR, USA, 2013, pp. 2411-2418, doi: 10.1109/CVPR.2013.312.
M. S. Arulampalam, S. Maskell, N. Gordon and T. Clapp, "A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking," in IEEE Transactions on Signal Processing, vol. 50, no. 2, pp. 174-188, Feb. 2002, doi: 10.1109/78.978374.
Henriques, J., Caseiro, R., Martins, P., & Batista, J. (2015). High-Speed Tracking with Kernelized Correlation Filters. IEEE Trans. Pattern Anal. Mach. Intell., 37(3), 583–596.
N. Wojke, A. Bewley and D. Paulus, "Simple online and realtime tracking with a deep association metric," 2017 IEEE International Conference on Image Processing (ICIP), Beijing, China, 2017, pp. 3645-3649, doi: 10.1109/ICIP.2017.8296962.
Zhang, Y., Sun, P., Jiang, Y., Yu, D., Weng, F., Yuan, Z., Luo, P., Liu, W., & Wang, X. (2022). ByteTrack: Multi-object Tracking by Associating Every Detection Box. In Computer Vision – ECCV 2022: 17th European Conference, Tel Aviv, Israel, October 23–27, 2022, Proceedings, Part XXII (pp. 1–21). Springer-Verlag.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Науковий журнал дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.
Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).
Авторські права
Автори, які публікують свої роботи в журналі:
-
зберігають за собою авторські права на свої публікації;
-
надають журналу право на перше опублікування статті;
-
погоджуються на поширення матеріалів за ліцензією CC BY 4.0;
-
мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.
