9、基于合成训练的无人机车辆检测技术剖析

基于合成训练的无人机车辆检测技术剖析

1. 真实与合成图像差异分析

在图像分类领域，区分真实图像和合成图像是一个重要的研究方向。通过对特征之间高冗余性的分析，发现真实图像和合成图像存在明显差异。这与相关研究结果一致，即通过比较MPEG - 7图像描述符之间的距离，能看出真实和合成图像之间存在差距。

与基准KITTI/VKITTI数据集的对比表明，所采用的方法不受渲染引擎的影响，尽管不同的图像属性导致了现实差距。总体而言，模拟中的总体色彩、光照条件以及缺乏噪声和精细结构对分类影响最大。这些差异在示例图像中也清晰可见，为进一步研究奠定了基础。

2. 独立数据的分类

为了验证该方法的适用性，使用了独立的合成训练数据集和真实UAVDT测试数据集进行分类。模型选择过程倾向于在最大得分和树深度之间取得平衡。即使图像不相等，仍能实现F1分数超过0.999的近乎理想分类。

与之前的情况相比，由于分类难度增加，分类器模型更加复杂，决策树的深度达到了6。特征重要性（FI）方法提供了有关相关特征箱的信息，从图中可以看出，每个方法都能选择多个相关特征箱，从而实现可靠评估。

以下是影响分类的重要图像属性：
| 属性 | 影响说明 |
| ---- | ---- |
| CSD（颜色结构描述符） | 在权重和箱数量方面都是最具影响力的图像属性。合成图像中较大的均匀连续区域导致了颜色分布结构的差异，且CSD箱之间具有高度相关性。 |
| IQM0（图像质量美学评估指标） | 合成训练图像在该指标上得分显著较低，这与整体印象相关，无法归因于单个图像属性。 |
| DCD（颜色分布描述符） | 多个D