Improving the performance of YOLO-based detection algorithms for small object detection in UAV-taken images

Bilgisayarlı görünün önemli alanlarından biri olan nesne tanıma alanındaki son gelişmeler, kamera donanımlı İnsansız Hava Araçları (İHA) için ortaya çıkan yeni çözümler sağlar. İnsansız Hava Araçları'ndan alınan görüntüler üzerinde çalışan, nesne tanıma çözümlerinin başarımı, yerden alınan görüntüler için nesne tanıma çözümlerinin performansı ile karşılaştırıldığında daha sınırlıdır. Mevcut nesne tanıma çözümleri, İHA'ların doğasından kaynaklanan nedenlerle İHA veri kümelerinde daha düşük performans göstermektedir. Bu nedenler: (i) farklı nesne boyutlarına sahip büyük drone veri setlerinin olmaması, (ii) drone görüntülerinin hem ölçek hem de yönelim olarak daha büyük varyanslara sahip olması (iii) yer ve hava arasındaki şekil ve doku özelliklerindeki farklılık. Bu sebeplerden dolayı, tek kademeli nesne tanıma yöntemlerinin bir parçası olan YOLO tabanlı modeller, İHA tabanlı uygulamalarda daha düşük performans göstermektedir. Bu tezde, YOLO algoritması üzerine YOLODrone ve YOLODrone+, İHA görüntülerindeki nesneleri tanımak için geliştirilmiştir. Modellerin performansı VisDrone2019 ve SkyDataV1 veri kümelerinde test edilip; YOLOv3 ve YOLOv5 ile karşılaştırıldığında sonuçlarda iyileştirme gözlemlenmiştir.