新型无人机飞掠数据集上表面地雷目标检测模型比较

传统方法检测地雷速度慢、危险且昂贵。使用基于深度学习的对象检测算法处理无人机视频具有前景,但由于新近流行的 soda-can 大小的表面地雷,存在多个挑战。当前文献缺乏对最优机器学习模型的科学评估,因为大多数目标检测研究专注于分析地面视频监视图像。在帮助训练全面模型和推动表面地雷检测研究的过程中,我们首先创建一个包含无人机拍摄的 POM-2 和 POM-3 俄罗斯表面地雷图像的自定义数据集。使用该数据集,我们训练、测试和比较了 4 种不同的计算机视觉基础模型 YOLOF、DETR、Sparse-RCNN 和 VFNet。总体而言,所有 4 个检测器都表现良好,YOLOF 以 0.89 的 mAP 得分领先于其他模型,而 DETR、VFNet 和 Sparse-RCNN 的 mAP 得分均约为 0.82(来自 10m AGL 高度的无人机图像)。YOLOF 也更快地训练,在 Nvidia V100 计算集群上仅需 56 分钟。最后,本研究贡献了地雷图像、视频数据集和模型 Jupyter 笔记本,地址为 https://github.com/UnVeilX/ 以促进表面地雷检测的未来研究。