[論文レビュー] A review of UAV Visual Detection and Tracking Methods

Raed Abu Zitar, Mohammad Azmi Al-Betar+2 more|arXiv (Cornell University)|Jun 8, 2023

Video Surveillance and Tracking Methods参考文献 52被引用数 4

ひとこと要約

本稿は、画像、RF、赤外線、音響データに適用された深層学習技術（YOLOv3、YOLOv4、CNNなど）を用いたUAVの視覚的検出および追跡手法、特にマルチセンサ連合を用いたものについてレビューしている。ハイブリッドシステムがレーダー、ビジョン、RF検出を統合することで、より高い精度とリアルタイム性能を達成しており、CNNベースのモデルでは分類精度が98.9％に達していることが示された。

ABSTRACT

This paper presents a review of techniques used for the detection and tracking of UAVs or drones. There are different techniques that depend on collecting measurements of the position, velocity, and image of the UAV and then using them in detection and tracking. Hybrid detection techniques are also presented. The paper is a quick reference for a wide spectrum of methods that are used in the drone detection process.

研究の動機と目的

• 多様なセンサモダリティを用いたUAVの視覚的検出および追跡技術について包括的なレビューを提供すること。
• 赤外線、RF、レーダー、光学、音響センシングを含む、個々の検出手法の長所と短所を分析すること。
• 個々の技術の限界を補うために複数のセンサを統合するハイブリッド検出システムを評価すること。
• YOLO や CNN などの深層学習モデルが、検出精度とリアルタイム性能を向上させる役割を評価すること。
• 特にセンサ連合と古典的機械学習の統合に関する研究ギャップと今後の方向性を特定すること。

提案手法

• 赤外線、RF、レーダー、光学、音響センサを用いたUAV検出技術に関する体系的レビュー。
• リアルタイムのオブジェクト検出および視覚的・音響的データからの特徴抽出に適した YOLOv3、YOLOv4、YOLOv4-tiny、および CNN などの深層学習アーキテクチャの評価。
• 検出範囲、精度、耐障害性の向上を目的とした、レーダー、ビジョン、RF信号を統合するハイブリッド検出フレームワークの適用。
• ターゲットの速度と距離推定に向けた、FMCWレーダー、位相インターフェロメトリ、ドップラー周波数シフト解析などの高度な信号処理技術の使用。
• CNN、RNN、CRNNモデルを用いた音響信号分類のためのアンサンブル学習およびラテナル融合戦略の採用。
• ドローン画像データセットにおけるクラス不均衡に対処するための前処理技術（例：データ拡張）の実装。

実験結果

リサーチクエスチョン

• RQ1 赤外線、RF、レーダー、光学、音響センサに依存するUAV検出手法は、検出範囲、精度、環境への耐性の観点でどのように比較されるか？
• RQ2 YOLO や CNN などの深層学習モデルは、視覚的・RF・音響モダリティにおいてUAVの検出および分類にどの程度の性能を示すか？
• RQ3 複数のセンサからのデータを統合することで、ハイブリッド検出システムが検出の信頼性をどの程度向上できるか？
• RQ4 FMCWレーダーやドップラー周波数シフト解析などの信号処理技術は、UAVの追跡および速度推定をどの程度向上させるか？
• RQ5 単一センサ検出システムの限界は何か。センサ連合はこれらの問題をどのように緩和できるか？

主な発見

• レーダー、ビジョン、RFセンサを統合するハイブリッド検出システムは、単一モダリティ手法に比べて検出範囲と精度で顕著に優れている。
• YOLOv3 および YOLOv4 ベースのモデルは、特徴抽出に CNN を組み合わせることで、高精度なリアルタイムUAV検出を実現している。
• レーダーおよび音響信号のCNNベース分類は最大98.9％の精度に達しており、ドローン認識において極めて有効であることが示された。
• 位相インターフェロメトリなどの高度な信号処理技術を備えたFMCWレーダーは、最大20海里の距離まで小型UAVを検出可能であった。
• CRNNおよびアンサンブルモデルを用いた音響ベース検出は、最適なマイクアレイ構成と組み合わせることで、マルチローター型ドローンの識別において優れた性能を示した。
• 前処理段階でのデータ拡張により、積載済みと積載なしのUAVを検出する低データ環境におけるモデルの汎化性能が向上した。