Интерпретируемое управление инициацией треков с заранее заданными границами вмешательства в системах восприятия беспилотных летательных аппаратов

В системах воздушного наблюдения единичная ошибка обнаружения может закрепиться в виде устойчивого ложного трека и повлиять на данные, передаваемые последующим компонентам. Цель работы – уменьшить число таких ошибок, заранее ограничив масштаб вмешательства и сохранив возможность проследить логику каждого решения. Предложен внешний метод кратковременной задержки эпизодов инициации треков с низкой поддержкой. Число задержек регулируется накопительным бюджетом, а для каждого эпизода сохраняются оценка поддержки, текущий баланс бюджета, причина вмешательства и конечный статус. Метод апробирован на семи видеопоследовательностях из общедоступного набора аэросъёмки, содержащего малые объекты, частичные перекрытия и заметные изменения масштаба. В эксперименте сравнивались три алгоритма сопровождения и обучаемый метод на основе ансамбля решающих деревьев. Для ByteTrack задержка была применена к 2,62% эпизодов инициации, из оперативного выхода исключены 425 ложных наблюдений и 176 ложных инициаций, а изменение объединённого показателя точности и полноты осталось в пределах установленного допуска. Для OC-SORT и SORT снижение ложных наблюдений по принятому статистическому критерию не подтверждено. Проверка 29 385 начальных фрагментов видеозаписей не выявила нарушений заранее заданных ограничений. Средние дополнительные вычислительные затраты составили 0,901 миллисекунды на кадр. Результаты показывают, что кратковременная задержка может сократить число ложных наблюдений при контролируемом масштабе вмешательства.

1. Kalman, R. E. A New Approach to Linear Filtering and Prediction Problems / R. E. Kalman // Journal of Basic Engineering. – 1960. – Vol. 82, No. 1. – P. 35–45. – DOI 10.1115/1.3662552.

2. Simple Online and Realtime Tracking / A. Bewley, Z. Ge, L. Ott [et al.] // Proceedings of the IEEE International Conference on Image Processing. – Piscataway, NJ : IEEE, 2016. – P. 3464–3468. – DOI 10.1109/ICIP.2016.7533003.

3. ByteTrack: Multi-Object Tracking by Associating Every Detection Box / Y. Zhang, P. Sun, Y. Jiang [et al.] // European Conference on Computer Vision. – Cham : Springer, 2022. – P. 1–21. – DOI 10.1007/978-3-031-20047-2_1.

4. Observation-Centric SORT: Rethinking SORT for Robust Multi-Object Tracking / J. Cao, J. Pang, X. Weng [et al.] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. – Piscataway, NJ : IEEE, 2023. – P. 9686–9696. – DOI 10.1109/CVPR52729.2023.00934.

5. StrongSORT: Make DeepSORT Great Again / Y. Du, Z. Zhao, Y. Song [et al.] // IEEE Transactions on Multimedia. – 2023. – Vol. 25. – P. 8725–8737. – DOI 10.1109/TMM.2023.3240881.

6. Wojke, N. Simple Online and Realtime Tracking with a Deep Association Metric / N. Wojke, A. Bewley, D. Paulus // Proceedings of the IEEE International Conference on Image Processing. – Piscataway, NJ : IEEE, 2017. – P. 3645–3649. – DOI 10.1109/ICIP.2017.8296962.

7. Bergmann, P. Tracking Without Bells and Whistles / P. Bergmann, T. Meinhardt, L. Leal-Taix´e // Proceedings of the IEEE/CVF International Conference on Computer Vision. – Piscataway, NJ : IEEE, 2019. – P. 941–951. – DOI 10.1109/ICCV.2019.00103.

8. Breiman, L. Random Forests / L. Breiman // Machine Learning. – 2001. – Vol. 45, No. 1. – P. 5–32. – DOI 10.1023/A:1010933404324.

9. Geifman, Y. Selective Classification for Deep Neural Networks / Y. Geifman, R. El-Yaniv // Advances in Neural Information Processing Systems. – 2017. – Vol. 30. – P. 4878–4887.

10. VisDrone-VDT2018: The Vision Meets Drone Video Detection and Tracking Challenge Results / P. Zhu, L. Wen, D. Du [et al.] // Computer Vision – ECCV 2018 Workshops. – Cham : Springer, 2019. – P. 496–518. – DOI 10.1007/978-3-030-11021-5_29.

11. U2UData: A Large-scale Cooperative Perception Dataset for Swarm UAVs Autonomous Flight / T. Feng, X. Wang, F. Han [et al.] // Proceedings of the 32nd ACM International Conference on Multimedia. – New York : ACM, 2024. – P. 7600–7608. – DOI 10.1145/3664647.3681151.

12. V2U4Real: A Real-world Large-scale Dataset for Vehicle-to-UAV Cooperative Perception / W. Li, H. Xiang, T. Wang [et al.] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. – Piscataway, NJ : IEEE, 2026. – P. 4728–4737.