การตรวจจับวัตถุในภาพถ่ายทางอากาศด้วยเทคนิคโครงข่ายประสาทเทียม
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้กล่าวถึงการศึกษาการตรวจจับภาพถ่ายทางอากาศ ซึ่งเป็นภาพที่ได้จากอากาศยาน ไร้คนขับ (Unmanned Aerial Vehicle: UAV) มาวิเคราะห์ด้วยหลักการเรียนรู้ของโครงข่ายประสาทเทียม กับภาพถ่ายทางอากาศ โดยการศึกษานี้ผู้เขียนทบทวนวรรณกรรมด้านการวิเคราะห์ภาพเพื่อการตรวจจับวัตถุ และศึกษาค้นคว้าว่ามีโมเดลใดบ้างที่เหมาะกับงานด้านการตรวจจับวัตถุ โดยเลือกโมเดลตรวจจับ YOLO, RetinaNet และ Fast R-CNN แล้วทำการศึกษาและทำการทดลองว่าการตรวจจับโดยใช้ภาพถ่ายทางอากาศ ด้วยอากาศยานไร้คนขับนั้น ควรใช้โมเดลตรวจจับชนิดใดที่สอดคล้องกับอุปกรณ์ที่ใช้ในการรับภาพให้เหมาะสม ซึ่งจากผลการทดลองพบว่า ผลการใช้ YOLO มีผล mAP ถึง 58.5% และความไวในการทำงาน 158.13 เฟรม ต่อวินาที ซึ่งมีความแม่นยำและความรวดเร็วในการตรวจจับมากกว่าโมเดลตัวอื่น ๆ ที่ใช้ในการทดลองภาพถ่าย ทางอากาศของอากาศยานไร้คนขับ
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
เอกสารอ้างอิง
Q. M. Chung, T. D. Le, T. V. Dang, N. D. Vo, T. V. Nguyen, and K. Nguyen, "Data Augmentation Analysis in Vehicle Detection from Aerial Videos," in 2020 RIVF Int. Conf. Comput. Commun.Technol. (RIVF), Ho Chi Minh City, Vietnam, 2020, pp. 1-3, doi: 10.1109/RIVF48685.2020.9140740.
S. Ali, A. Siddique, H. F. Ates, and B. K. Güntürk, "Improved YOLOv4 for Aerial Object Detection," in 2021 29th Signal Process. Commun. Appl. Conf. (SIU), Istanbul, Turkey, 2021, pp. 1 - 4, doi: 10.1109/SIU53274.2021.9478027.
Y. Zuo, J. Yang, Z. Zhu, R. Li, Y. Zhou, and Y. Zheng, "Real-Time Semantic Seg- Defence Technology Academic Journal, Volume 5 Issue 12 / July - December 2023 11 mentation of Aerial Videos Based on Bilat eral Segmentation Network," in 2021 IEEE Int. Geosci. Remote Sens.Symp. (IGARSS), Brussels, Belgium, 2021, pp. 2763-2766, doi: 10.1109/IGARSS47720.2021.9554952.
I. Yurchuk, V. Kovdrya, and L. Bilyanska, "Segmentation of Digital Images of Aerial Photography," in 2019 IEEE 5th Int. Conf. Actual Problems U n m a n n e d A e r i a l V e h i c l e s Develop. (APUAVD), Kiev, Ukraine, 2019, pp. 258-261, doi: 10.1109/ APUAVD47061.2019.8943841.
G. - S. Xia et al., “DOTA: A Large-scale Dataset for Object Detection in Aerial Images,” in IEEE Conf. Comput. Vision Pattern Recognit. (CVPR), Salt Lake City , UT, USA, 2018, pp. 3974 - 3983.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You Only Look Once: Unified, Real-Time Object Detection," in 2016 IEEE Conf. Comput. Vision Pattern Recognit. (CVPR), Las Vegas, NV, USA, 2016, pp. 779-788. doi: 10.1109/CVPR.2016.91.
T. -Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollár, "Focal Loss for Dense Object Detection," in IEEE Trans. Pattern Anal. Mach. Intell., vol. 42, no. 2, pp. 318-327, Feb. 2020, doi: 10.1109/TPAMI. 2018. 2858826.
S. Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards Real-Time Object Detectionwith Region Proposal Networks,” in Adv. Neural Inf. Process. Syst. 28 (NIPS 2015), C. Cortes, N. Lawrence, D. Lee, M. Sugiyama and R. Garnett, Eds. 2015, pp. 1 - 9.
K. O’Shea and R. Nash, “An Introduction to Convolutional Neural Networks,” 2015, arXiv:1511.08458.
J. Sun, B. Li, Y. Jiang, and C.-y. Wen, “A Camera-Based Target Detection and Positioning UAV System for Search and Rescue (SAR) Purposes,” Sensors, vol. 16, no. 11, p. 1778, 2016, doi: 10.3390/ s16111778.
