АДАПТИВНИЙ КАСКАД ЗА СКЛАДНІСТЮ СЦЕНИ ДЛЯ ВИЯВЛЕННЯ ОБ’ЄКТІВ НА АЕРОЗНІМКАХ БЕЗПІЛОТНИКІВ: КОЛИ ВИБІРКОВА ЕСКАЛАЦІЯ ОБЧИСЛЕНЬ ВИПРАВДАНА

Христина Руда; Владислав Кромкач

doi:10.28925/2663-4023.2026.34.1340

Автор(и)

Христина Руда Національний університет «Львівська політехніка» https://orcid.org/0000-0001-8644-411X
Владислав Кромкач Національний університет «Львівська політехніка» https://orcid.org/0009-0001-5608-5715

DOI:

https://doi.org/10.28925/2663-4023.2026.34.1340

Ключові слова:

виявлення об'єктів, аерознімки БпЛА, каскад моделей, ансамбль детекторів, адаптивні обчислення, доменний зсув, VisDrone, UAVDT

Анотація

Безпілотні літальні апарати є штатним інструментом відеомоніторингу в задачах безпеки — від охорони периметра й критичної інфраструктури до ситуаційної обізнаності, — а ансамблі детекторів підвищують точність виявлення об'єктів на аерознімках ціною кратно більших обчислень на кожному кадрі, що критично для бортових систем. Запропоновано й досліджено адаптивний каскад за складністю сцени (Scene-Complexity Adaptive Cascade, SCAC): дешевий детектор першого ярусу обробляє кожен кадр і обчислює безрозмірний сигнал складності без використання розмітки; лише кадри зі складністю понад поріг ескалюються на дорогий WBF-ансамбль другого ярусу. Поріг калібрується крос-фітуванням на рівні відеопослідовностей під цільовий середній бюджет. Методологічним внеском є оракульний ґейт придатності: за кешованими передбаченнями будується жадібна референсна крива за реалізованим пер-кадровим приростом ансамблю, з якою порівнюються реалізовні сигнали складності. У навчальному домені (VisDrone-DET) приріст ансамблю щільний за кадрами (покращується 75–90 % кадрів), тож реалізовні сигнали складності не перевершують рівномірне злиття за того самого бюджету, а поширений сигнал невпевненості стабільно гірший за випадкову ескалацію. Натомість за доменного зсуву (нульове перенесення на UAVDT з офіційними мітками умов) приріст ансамблю розріджений (41 % кадрів; уночі ансамбль шкодить), і крос-фітований каскад із сигналом щільності детекцій досягає якості повного ансамблю (0,618 mAP@50, збалансовано за сценами) за 45 % його обчислень, значуще перевершуючи одиничну модель (+0,022 на повній вибірці; бутстреп: середнє +0,017, 95 % ДІ [+0,002; +0,032]) та випадкову ескалацію, зокрема стратифіковану за сценами (+0,019 на повній вибірці; бутстреп: середнє +0,016, 95 % ДІ [+0,001; +0,029]). Реалізований розподіл ескалації (9 % ніч / 22 % день / 45 % туман) відтворює сценозалежність без класифікатора сцен, обминаючи відоме вузьке місце маршрутизації — нерозпізнаваність несприятливих умов за виглядом кадру. Сформульовано практичний критерій: вибіркова ескалація обчислень виправдана лише там, де приріст дорогої моделі розріджений за кадрами, — типово за доменного зсуву, а не в навчальному домені.

Завантаження

Дані завантаження ще не доступні.

Посилання

Solovyev, R., Wang, W., & Gabruseva, T. (2021). Weighted boxes fusion: Ensembling boxes from different object detection models. Image and Vision Computing, 107, 104117. https://doi.org/10.1016/j.imavis.2021.104117

Ruda, Kh. S., & Kromkach, V. O. (in press). Scene-dependent ensemble object detection in UAV aerial imagery: Limits of the utility of scene-based routing. Scientific Bulletin of UNFU.

Viola, P., & Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 511-518). https://doi.org/10.1109/CVPR.2001.990517

Teerapittayanon, S., McDanel, B., & Kung, H. T. (2016). BranchyNet: Fast inference via early exiting from deep neural networks. In 23rd International Conference on Pattern Recognition (ICPR) (pp. 2464-2469). https://doi.org/10.1109/ICPR.2016.7900006

Kang, D., Emmons, J., Abuzaid, F., Bailis, P., & Zaharia, M. (2017). NoScope: Optimizing neural network queries over video at scale. Proceedings of the VLDB Endowment, 10(11), 1586-1597. https://doi.org/10.14778/3137628.3137664

Jiang, J., Ananthanarayanan, G., Bodik, P., Sen, S., & Stoica, I. (2018). Chameleon: Scalable adaptation of video analytics. In Proceedings of the ACM SIGCOMM 2018 Conference (pp. 253-266). https://doi.org/10.1145/3230543.3230574

Ghodrati, A., Bejnordi, B. E., & Habibian, A. (2021). FrameExit: Conditional early exiting for efficient video recognition. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 15608-15618). https://doi.org/10.1109/CVPR46437.2021.01535

Matsubara, Y., Levorato, M., & Restuccia, F. (2022). Split computing and early exiting for deep learning applications: Survey and research challenges. ACM Computing Surveys, 55(5), 1-30. https://doi.org/10.1145/3527155

Han, Y., Huang, G., Song, S., Yang, L., Wang, H., & Wang, Y. (2022). Dynamic neural networks: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(11), 7436-7456. https://doi.org/10.1109/TPAMI.2021.3117837

Rahmath P., H., Srivastava, V., Chaurasia, K., Pacheco, R. G., & Couto, R. S. (2024). Early-exit deep neural network – A comprehensive survey. ACM Computing Surveys, 57(3), 1-37. https://doi.org/10.1145/3698767

Jacobs, R. A., Jordan, M. I., Nowlan, S. J., & Hinton, G. E. (1991). Adaptive mixtures of local experts. Neural Computation, 3(1), 79-87. https://doi.org/10.1162/neco.1991.3.1.79

Shazeer, N., Mirhoseini, A., Maziarz, K., Davis, A., Le, Q., Hinton, G., & Dean, J. (2017). Outrageously large neural networks: The sparsely-gated mixture-of-experts layer. In International Conference on Learning Representations (ICLR). https://doi.org/10.48550/arXiv.1701.06538

Zhu, X., Lyu, S., Wang, X., & Zhao, Q. (2021). TPH-YOLOv5: Improved YOLOv5 based on transformer prediction head for object detection on drone-captured scenarios. In Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops (ICCVW) (pp. 2778-2788). https://doi.org/10.1109/ICCVW54120.2021.00312

Zhang, H., Liu, K., Gan, Z., & Zhu, G.-N. (2025). UAV-DETR: Efficient end-to-end object detection for unmanned aerial vehicle imagery. arXiv. https://doi.org/10.48550/arXiv.2501.01855

Nazarkevych, M. A., & Oleksiv, N. T. (2024). Object recognition system based on the YOLO model. Ukrainian Journal of Information Technology, 6(1), 120-126. https://doi.org/10.23939/ujit2024.01.120

Filimonchuk, T. V., Koltun, Yu. M., & Maslov, M. K. (2026). Adaptive model for equipment recognition with attention mechanisms based on YOLOv11. Information and Control Systems for Railway Transport, 31(2). https://doi.org/10.18664/ikszt.v31i2.362205

Zhu, P., Wen, L., Du, D., Bian, X., Fan, H., Hu, Q., & Ling, H. (2022). Detection and tracking meet drones challenge. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(11), 7380-7399. https://doi.org/10.1109/TPAMI.2021.3119563

Du, D., Qi, Y., Yu, H., Yang, Y., Duan, K., Li, G., Zhang, W., Huang, Q., & Tian, Q. (2018). The unmanned aerial vehicle benchmark: Object detection and tracking. In Computer Vision – ECCV 2018 (pp. 370-386). https://doi.org/10.1007/978-3-030-01249-6_23

Saksena, S. K. (2025). VisDrone detection model zoo [Model collection]. Hugging Face. https://huggingface.co/collections/dronefreak/visdrone-detection-model-zoo

Wang, C.-Y., Yeh, I-H., & Liao, H.-Y. M. (2024). YOLOv9: Learning what you want to learn using programmable gradient information. In Computer Vision – ECCV 2024 (Lecture Notes in Computer Science, Vol. 15089, pp. 1–21). https://doi.org/10.1007/978-3-031-72751-1_1

Wang, A., Chen, H., Liu, L., Chen, K., Lin, Z., Han, J., & Ding, G. (2024). YOLOv10: Real-time end-to-end object detection. Advances in Neural Information Processing Systems, 37, 107984-108011. https://doi.org/10.48550/arXiv.2405.14458

Khanam, R., & Hussain, M. (2024). YOLOv11: An overview of the key architectural enhancements. arXiv. https://doi.org/10.48550/arXiv.2410.17725