基于验证的软计算跨领域学习在无人机检测中的应用
本文研究了计算机视觉和深度学习技术在无人机检测方面的表现，探究了在复杂背景、不同大小、复杂天气等挑战条件下使用一阶段探测器和二阶段探测器进行 UAV 检测的性能，并对两个数据集进行了评估，研究结果为发展更为强大的 UAV 检测方法提供了借鉴。
May, 2023
利用半监督联邦学习框架和模型参数混合策略来保护数据隐私实现无人机图像识别；根据不同相机模块、地域环境等数据的统计异质性问题，提出基于客户端频率的聚合规则来调整对应本地模型的权重。
Jan, 2022
使用无人机数据集以及卷积神经网络（CNN）和视觉变换器（ViT）模型，本文重新评估了准确的无人机检测任务，表明基本的 ViT 模型在单一无人机检测方面的性能比最佳 CNN 迁移学习模型提升了 4.6 倍，并且通过多无人机检测实现了令人印象深刻的 98% 和 96% 的 mAP 值。作者总结了 ViT 和 CNN 模型的独特特点，以帮助未来研究者开发更高效的深度学习模型。
Aug, 2023
通过开发人工智能技术，本研究提供了一个包含不同类型未经授权的无人机数据集，用于比较各种被识别的目标检测模型，并提供了实验结果和方法描述。
May, 2024
本文提出了一种基于深度学习目标检测的无人机多目标跟踪和三维定位方案，将 TrackletNet Tracker（TNT）和多视图立体技术相结合，能够对设备拍摄的对象进行检测、跟踪并测定其三维坐标。
Oct, 2019
无人机检测是一项具有挑战性的物体检测任务，其可见性条件和图像质量可能不利，由于复杂背景、小的可见物体和难以区分的物体而使检测变得困难。该研究提出了一种基于 YOLOv5 的无人机检测方法，利用实际和合成数据以及基于卡尔曼滤波的追踪器跟踪检测并增加其置信度，同时通过结合多种改进策略来提高检测性能。该技术在无人机与鸟类对抗竞赛中获得了第一名。
Jun, 2024
本研究介绍了一种实时无人机监控系统，使用深度学习技术从空中图像中检测人体姿态，可以较少的带标记实例中快速学习有意义的表征，从而识别公共场所中的暴力行为。
Jun, 2018