EATF: Lọc theo thời gian dựa trên bằng chứng để khôi phục các phát hiện UAV có độ tin cậy thấp
DOI:
https://doi.org/10.54939/1859-1043.j.mst.114.2026.159-166Từ khóa:
Phát hiện UAV; Lọc theo thời gian; Các phát hiện có độ tin cậy thấp.Tóm tắt
Các UAV cỡ nhỏ thường tạo ra phát hiện yếu và không liên tục do kích thước ảnh nhỏ, nhiễu nền và chuyển động nhanh. Bài báo đề xuất Evidence-Aware Temporal Filtering (EATF), một phương pháp hậu xử lý ngoại tuyến cho bộ phát hiện cố định. Phát hiện có độ tin cậy cao được giữ trực tiếp; phát hiện yếu hơn chỉ được khôi phục khi quỹ đạo hoàn thành thỏa ngưỡng độ tin cậy trung bình và tích lũy. EATF không yêu cầu huấn luyện lại, không ước lượng chuyển động, không nội suy hộp giới hạn và không sinh phát hiện mới. Trên DUT Anti-UAV Tracking, EATF tăng Recall từ 0.4377 lên 0.5319 và F1 từ 0.5870 lên 0.6416 so với ngưỡng 0.55. Ở mức Recall tương đương, Precision tăng từ 0.7657 lên 0.8084 và F1 tăng từ 0.6277 lên 0.6416. So với ByteTrack sau post-tracking top-1, EATF đạt Recall và F1 cao hơn. Phương pháp mang tính hồi cứu, giới hạn ở một mục tiêu và còn chịu ảnh hưởng của quỹ đạo nền bền vững.
Tài liệu tham khảo
[1]. A. Coluccia et al., “Drone vs. Bird Detection: Deep Learning Algorithms and Results from a Grand Challenge”, Sensors, Vol. 21, No. 8, p. 2824, (2021). DOI: 10.3390/s21082824.
[2]. A. Coluccia et al., “Drone-vs-Bird Detection Grand Challenge at ICASSP2023”, ICASSP 2023, IEEE, pp. 1–2, (2023).
[3]. F. N. M. Zamri et al., “Enhanced small drone detection using optimized YOLOv8 with attention mechanisms”, IEEE Access, Vol. 12, pp. 90629–90643, (2024).
[4]. N. V. Ngon et al., “Optimizing long-range UAV detection on YOLOv8: Breaking-point distance analysis and combining adaptive tiling with AdamW optimizer”, Journal of Military Science and Technology, Vol. 109, pp. 154–163, (2026). DOI: 10.54939/1859-1043.j.mst.109.2026.154-163.
[5]. F. Kuppers et al., “Multivariate Confidence Calibration for Object Detection”, Proceedings of the IEEE/CVF Conference on CVPRW, pp. 326–327, (2020). DOI: 10.1109/CVPRW50498.2020.00171.
[6]. U. Seidaliyeva et al., “Real-time and accurate drone detection in a video with a static background”, Sensors, Vol. 20, No. 14, p. 3856, (2020).
[7]. J. Zhu et al., “Bird and UAVs recognition detection and tracking based on improved YOLOv9-DeepSORT”, IEEE Access, Vol. 12, pp. 147942–147957, (2024). DOI: 10.1109/access.2024.3475629.
[8]. X. Cheng et al., “IRWT-YOLO: A Background Subtraction-Based Method for Anti-Drone Detection”, Drones, Vol. 9, No. 4, p. 297, (2025). DOI: 10.3390/drones9040297.
[9]. Y. Sun et al., “Enhancing UAV detection in surveillance camera videos through spatiotemporal information and optical flow”, Sensors, Vol. 23, No. 13, p. 6037, (2023).
[10]. L. K. Thanh et al., “Real-time long-term target tracking on an ARM platform with NPU acceleration and integration into UAV line-of-sight stabilization”, Journal of Military Science and Technology, Vol. 109, pp. 25–34, (2026). DOI: 10.54939/1859-1043.j.mst.109.2026.25-34.
[11]. Y. Zhang et al., “ByteTrack: Multi-object tracking by associating every detection box”, European Conference on Computer Vision, Springer, pp. 1–21, (2022).
[12]. J. Zhao et al., “Vision-Based Anti-UAV Detection and Tracking”, IEEE Transactions on Intelligent Transportation Systems, Vol. 23, No. 12, pp. 25323–25334, (2022). DOI: 10.1109/TITS.2022.3177627.
[13]. Ultralytics, “Ultralytics YOLO11”, Ultralytics Docs, Available: https://docs.ultralytics.com/mo-dels/yolo11
