Розроблення адаптивної функції втрат для покращення детекції малорозмірних безпілотних літальних апаратів
Анотація
Виявлення малорозмірних безпілотних літальних апаратів (БПЛА) за реальних умов спостереження залишається актуальною проблемою систем автоматичного моніторингу повітряного простору. Досліджено вплив зміни функції втрат на якість виявлення малорозмірних об'єктів одностадійними детекторами сімейства моделей YOLO (англ. You Only Look Once – ти дивишся тільки раз). Встановлено, що стандартна функція втрат не розрізняє об'єкти за масштабом, унаслідок чого великі та малі цілі роблять порівнянний внесок у сумарний loss, а оптимізація моделі природно зміщується в бік більших об'єктів і простіших для локалізації цілей. Запропоновано адаптивну функцію втрат, у якій ваговий коефіцієнт кожного анкера визначається обернено пропорційно до площі bounding box відповідного об'єкта. Розроблено механізм boost-only-модифікації target_scores (цільові бали) в алгоритмі TaskAlignedAssigner, який підсилює градієнтний сигнал від малих цілей без пригнічення процесу виявлення великих об'єктів. Запропонований метод адаптивної функції втрат інтегровано в реалізації детекторів YOLOv8s та YOLOv11s у середовищі PyTorch й апробовано на спеціалізованому наборі даних виявлення БПЛА, що містить 17 697 анотованих зображень із 12 246 об'єктами, розподілених за чотирма розмірними категоріями. Оцінено приріст метрик Precision, Recall, F1, mAP@0,5 та mAP@0,5:0.95 щодо базової конфігурації моделей. Виявлено, що запропонована функція втрат стабільно покращує повноту виявлення (Recall) та F1-міру для обох досліджуваних архітектур детекторів об'єктів у всіх розмірних групах, з найвиразнішим ефектом на дуже малих і малих цілях. Загальні інтегральні метрики (mAP@0,5 та mAP@0,5:0,95) також зростають, тоді як якість виявлення великих об'єктів зберігається на рівні базової моделі. Охарактеризовано закономірності впливу адаптивного вагового коефіцієнта анкера на якість виявлення об'єктів різних масштабів. Принципово, що великі об'єкти не постраждали – Recall для них збережено на рівні базової моделі. Встановлено, що запропонований підхід до модифікації функції втрат не збільшує кількість параметрів моделі та не впливає на швидкодію інференсу. Перспективою подальших етапів дослідження є комбінування адаптивної функції втрат з модифікованою функцією втрат Focal Loss та метрикою оцінювання якості локалізації GIoU (англ. Generalized Intersection over Union), а також адаптація підходу до багатокласових сценаріїв і edge-розгортання.
Завантаження
Посилання
Alshaer, N., Abdelfatah, R., Ismail, T., & Mahmoud, H. (2025). Vision-Based UAV Detection and Tracking Using Deep Learning and Kalman Filter. Computational Intelligence, 41(1), article ID e70026. https://doi.org/10.1111/coin.70026
Coluccia, A., Fascista, A., Schumann, A., Sommer, L., Dimou, A., Zarpalas, D., & Sharma, V. (2021). Drone vs. Bird Detection: Deep Learning Algorithms and Results from a Grand Challenge. Sensors, 21(8), article ID 2824. https://doi.org/10.3390/s21082824
Feng, C., Zhong, Y., Gao, Y., Scott, M. R., & Huang, W. (2021). TOOD: Task-aligned One-stage Object Detection. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), pp. 3490–3499. https://doi.org/10.1109/ICCV48922.2021.00349
Han, C., Ullah, M. R., Kayes, A., Hasan, K., Rouf, M. A., Hasan, M. R., Tao, S., Gengli, G., & Billah, M. M. (2026). Real-Time Small UAV Detection in Complex Airspace Using YOLOv11 with Residual Attention and High-Resolution Feature Enhancement. Journal of Imaging, 12(3), article ID 140. https://doi.org/10.3390/jimaging12030140
Laroca, R., dos Santos, M., & Menotti, D. (2025). Improving Small Drone Detection Through Multi-Scale Processing and Data Augmentation. Proceedings of the International Joint Conference on Neural Networks (IJCNN), pp. 1–6. https://doi.org/10.1109/IJCNN64981.2025.11227421
Lin, T.-Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2020). Focal Loss for Dense Object Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(2), 318–327. https://doi.org/10.1109/TPAMI.2018.2858826
Muhamad Zamri, F. N., Gunawan, T. S., Kartiwi, M., Yusoff, S. H., & Yaacob, M. (2024). Deep Learning Techniques for Advanced Drone Detection Systems: A Comprehensive Review. Indonesian Journal of Electrical Engineering and Informatics, 12(4), 1040–1050. https://doi.org/10.52549/ijeei.v12i4.6028
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779–788. https://doi.org/10.1109/CVPR.2016.91
Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6), 1137–1149. https://doi.org/10.1109/TPAMI.2016.2577031
Rezatofighi, H., Tsoi, N., Gwak, J., Sadeghian, A., Reid, I., & Savarese, S. (2019). Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 658–666. https://doi.org/10.1109/CVPR.2019.00075
Wisniewski, M., Rana, Z. A., & Petrunin, I. (2024). Drone Detection Using Deep Neural Networks Trained on Pure Synthetic Data. arXiv preprint arXiv:2411.09077. https://doi.org/10.48550/arXiv.2411.09077
Zhao, J., Zhang, J., Li, D., & Wang, D. (2022). Vision-Based Anti-UAV Detection and Tracking. IEEE Transactions on Intelligent Transportation Systems, 23(12), 25323–25334. https://doi.org/10.1109/TITS.2022.3177627
Zhou, S., Yang, L., Liu, H., Zhou, C., Liu, J., Pu, S., Tang, Y., & Chen, Z. (2025). Improved YOLO for Long-Range Detection of Small Drones. Scientific Reports, 15, article ID 12280. https://doi.org/10.1038/s41598-025-95580-z
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
