迈向空中目标检测：一项深度学习分析
计算机视觉与模式识别
2026-01-21 v1 人工智能
机器学习
软件工程
摘要
包括商用飞机、无人机和 UAV 在内的空中平台的迅速普及，加剧了对实时、自动化威胁评估系统的需求。当前方法严重依赖人工监控，导致可扩展性有限和操作效率低下。本研究引入了一个基于 EfficientNetB4 的双任务模型，能够同时执行空中目标分类和威胁等级预测。为解决干净、平衡训练数据稀缺的问题，我们通过聚合和精炼多个公开数据源构建了 AODTA 数据集。我们在 AVD 数据集和新开发的 AODTA 数据集上对我们的方法进行了基准测试，并进一步与 ResNet-50 基线进行了性能比较，后者表现始终不如 EfficientNetB4。我们的 EfficientNetB4 模型在目标分类上达到了 96% 的准确率，在威胁等级预测上达到了 90% 的准确率，突显了其在监视、防御和空域管理中的应用前景。尽管标题提及检测，但本研究专门聚焦于使用现有数据集提供的预定位空中目标图像进行分类和威胁等级推断。
引用
@article{arxiv.2601.11907,
title = {Towards Airborne Object Detection: A Deep Learning Analysis},
author = {Prosenjit Chatterjee and ANK Zaman},
journal= {arXiv preprint arXiv:2601.11907},
year = {2026}
}