本论文研究了基于无人机交通视频的实时车辆检测和城市交通行为分析系统。通过使用无人机收集交通数据，并结合 YOLOv8 模型和 SORT 跟踪算法，在 iOS 移动平台上实现对象检测和跟踪功能。使用动态计算方法实时处理性能，计算车辆的微观和宏观交通参数，并进行实时的交通行为分析和可视化。实验结果显示，车辆对象检测的准确率达到 98.27%、召回率达到 87.93%，实时处理能力稳定在每秒 30 帧。这项工作将无人机技术、iOS 开发和深度学习技术整合在一起，将交通视频采集、目标检测、目标跟踪和交通行为分析功能集成到移动设备上，为轻量级交通信息收集和数据分析提供了新的可能性，并为交通管理部门改善道路交通状况分析效率和解决交通问题提供了创新的解决方案。

Feb, 2024

本文提出了一种多用途的多模态传感器航空数据集（AU-AIR）, 旨在弥合计算机视觉和机器人学之间的差距，并通过多种类型的记录数据进行真实环境的移动物体检测训练和测试，包括自带计算机的无人机。

Jan, 2020

通过学习的基于马尔可夫事件的新颖框架，利用无人机作为飞行基站，预测 IoT 设备的流量到达并优化多个无人机的轨迹和调度策略，最终通过深度强化学习方法改进传输性能。

Jan, 2024

使用基于深度强化学习（DRL）算法控制的基于相机的交通灯系统以及无人机（UAVs）的 AVARS 系统，在都柏林模拟中验证，通过经济部署 UAVs 以应对意外交通拥堵，能够在 UAV 的典型电池寿命内有效恢复都柏林的交通拥堵至原始无拥堵水平。

Sep, 2023

第四届 AI 城市挑战赛吸引了来自 37 个国家的 315 支参赛队伍，他们利用城市规模真实交通数据和高质量的合成数据竞争四个挑战赛道，结果表明 AI 技术能够使交通系统更加智能和安全。

Apr, 2020

本文着重于构建一个针对复杂场景的无人机基准测试数据集，并对基准测试集中的物体检测、单目标跟踪和多目标跟踪进行了详细的定量分析，实验结果表明目前最先进的方法在这个数据集上的表现相对较差，给出了这一问题的多方面解决方案。

Mar, 2018

这篇研究论文介绍了人工智能城市挑战赛及其关于交通智能化方面的研究，用于推动智能视频分析在城市交通等领域的发展和提高算法性能以促进其在真实应用中广泛使用。

Apr, 2021

本文提出一个新的反无人机问题，即在没有无人机先前信息的复杂环境中感知无人机，为此我们提出了最大的无人机数据集 AntiUAV600 和新的评估指标，并开发了一种新颖的反无人机方法来解决该问题。

Jun, 2023

交通事故检测与预测是一项棘手的交通安全问题，本文提出了一项对深度学习时代中视觉交通事故检测（Vision-TAD）和预测（Vision-TAA）的全面调查，探讨了每个研究样本的优劣，并提供了 31 个公开可用的基准和相关评估指标的关键评论，旨在为 Vision-TAD 和 Vision-TAA 任务带来新的见解和可能的趋势。

Aug, 2023

该研究强调了在无人机领域中实施零信任架构（ZTA）以增强安全性的必要性，通过使用深度学习框架中的射频（RF）信号进行无人机的精确识别，结合可解释的人工智能工具（如 SHAP 和 LIME），确保无人机的分类可验证和可理解，从而提高了安全性。

Mar, 2024