基于纯合成数据训练的深度神经网络无人机检测
计算机视觉与模式识别
2024-11-15 v1 人工智能
机器学习
摘要
无人机检测受益于深度神经网络的改进，但像许多其他应用一样，面临训练准确数据获取困难的问题。合成数据提供了低成本数据生成的潜力，并已被证明能提高数据可用性和质量。然而，在合成数据集上训练的模型需要证明其在真实世界数据上的性能，这被称为仿真到现实（sim-to-real）迁移问题。本文提出了一个在纯合成数据集上训练并能迁移到真实数据的无人机检测 Faster-RCNN 模型。我们发现，在真实飞行无人机数据集 MAV-Vid 上评估时，该模型达到 97.0% 的 AP_50，而等效的真实数据训练模型为 97.8%。我们的结果表明，将合成数据用于无人机检测有潜力降低数据收集成本并提高标注质量。这些发现可为更复杂的合成无人机数据集提供起点。例如，特定场景的逼真重现可降低安全关键应用（如机场无人机检测）的数据集生成风险。此外，合成数据可能实现可靠的无人机检测系统，从而惠及其他领域，如无人交通管理系统。代码可在 https://github.com/mazqtpopx/cranfield-synthetic-drone-detection 获取，数据集可在 https://huggingface.co/datasets/mazqtpopx/cranfield-synthetic-drone-detection 获取。
引用
@article{arxiv.2411.09077,
title = {Drone Detection using Deep Neural Networks Trained on Pure Synthetic Data},
author = {Mariusz Wisniewski and Zeeshan A. Rana and Ivan Petrunin and Alan Holt and Stephen Harman},
journal= {arXiv preprint arXiv:2411.09077},
year = {2024}
}
备注
12 pages, 8 figures