7、基于合成训练的无人机车辆检测：利用图像描述符和机器学习识别性能因素

基于合成训练的无人机车辆检测：利用图像描述符和机器学习识别性能因素

1. 引言

传感器有效载荷系统是无人机飞行系统的重要组成部分，能使飞行系统在飞行安全（如感知与避障）、导航（基于特征的导航）或任务执行（获取侦察和监视信息）等领域实现更自主的行为。为了提高此类系统在任务层面的传感器性能，选择了从空中位置进行车辆检测这一应用领域，它在交通监控、监视和救援等任务中发挥着重要作用。

追求更高水平的自主性需要在这些系统中集成自动化数据处理。然而，现代基于深度学习的检测器的性能在很大程度上受合适的测试和训练数据的可用性和数量的影响。使用虚拟仿真环境生成合成传感器图像数据库是一种有前景的方法，它可以避免复杂的飞行任务，同时增加记录场景的多样性。这些合成图像可以有效地考虑多种大气和感官效果，从而有可能扩展现有的真实训练数据或完全取代它。但这也引发了一些问题，比如虚拟仿真环境应如何设计，以及哪些图像属性是造成真实和合成传感器图像差异的主要原因。

2. 研究目标

此前使用真实和合成数据集，通过常见的目标检测器YOLOv3研究了无人机车辆检测中这两个领域之间的训练行为和现实差距。分析了用真实数据训练的算法在仿真中的评估程度、仅使用合成训练能达到的检测性能，以及如何通过合成数据扩展真实训练数据来提高性能。真实图像数据以UAVDT数据集为基础，合成图像材料由Presagis M&S Suite生成。

在真实UAVDT数据集上训练YOLOv3框架，在交并比（IoU）阈值为0.3的情况下，使用相应测试集时平均精度（AP）达到69.9%。通过用20%的合成数据扩展真实训练集，检测器的泛化能力得到了提高，AP增加了两个多百分点。然而，仅使用合成训练只能达到相对