Уважаемый, видимо у вас замылился глаз, если вы считаете, что данная статья написана нейронкой. Идеей данной статьи является познакомить читателя с новыми подходами, которые можно использовать вместо RAG. В данной статье посчитал добавление кода избыточным, так как ключевой концепцией было описать и сравнить. Ваш комментарий не несет полезной нагрузки из-за субъективного взгляда, смешанных гипотез в написании статьи (определитесь, плохо обработанный вариант вывода deep research или ввалил блоки текста из отчета, поверхностный обзор, но перегружен ненужными деталями) и отсутствия, что конкретно не нравится и что можно было бы улучшить, на что обратить внимание, чтобы в дальнейшем улучшить качество материала в публикуемых статьях. И все же, прошу прощения, что данная статья вам не понравилась.
Нет, не пробовал, в качестве классификатора - интересный подход, а в качестве детектора - не думаю, что моделька будет определять координаты беспилотника на изображении.
Спасибо за интересный вопрос. Да, с SAHI были проведены эксперименты, однако основная проблема заключалась в скорости обработки изображений. Поскольку одно из требований заключалось в работе в режиме реального времени, то от данного фреймворка пришлось отказаться. Однако стоит заметить, что во время экспериментов точность детекции все же была выше вместе с SAHI. К сожалению, оптимизации типа квантования и прунинга не дали значительного прироста в балансе между точностью и скоростью. Скорость стала выше, но точность и полнота стали ощутимо меньше на тестовой выборке.
Считаю, что есть, но потребуется тонкая настройка вместе с ИИ для точного определения БПЛА от всего остального, так как тепловые маркеры есть не только у дронов, но и, например, у птиц. К тому же, современные дроны могут быть оснащены хорошей теплоизоляционной системой или системой активного охлаждения.
Вы частично правы. Нейросеть натренирована на изображениях не только квадрокоптера, но и на БПЛА самолетного типа. К сожалению не было возможности добавить в набор данных большое количество БПЛА вертолетного типа, чтобы покрыть все типы БПЛА.
Конечно думал, более того реализовывал. В данной статье я пытался акцентировать внимание на том, что одним из вариантов определения беспилотников (не только коптеров, в исследовании и в данных также использовалась модель самолетного типа) может быть ИИ. Однако на практике для реального проекта помимо оптического модуля был реализован радиолокационный и звуковой модули. Модуль распознавания на основе нейронных сетей выступал в нем как валидационный, который подтверждал наличие или отсутствие БПЛА в определенной области(расстояние предварительно рассчитывалось на основании радиолокатора).
Уважаемый, видимо у вас замылился глаз, если вы считаете, что данная статья написана нейронкой. Идеей данной статьи является познакомить читателя с новыми подходами, которые можно использовать вместо RAG. В данной статье посчитал добавление кода избыточным, так как ключевой концепцией было описать и сравнить. Ваш комментарий не несет полезной нагрузки из-за субъективного взгляда, смешанных гипотез в написании статьи (определитесь, плохо обработанный вариант вывода deep research или ввалил блоки текста из отчета, поверхностный обзор, но перегружен ненужными деталями) и отсутствия, что конкретно не нравится и что можно было бы улучшить, на что обратить внимание, чтобы в дальнейшем улучшить качество материала в публикуемых статьях. И все же, прошу прощения, что данная статья вам не понравилась.
Нет, не пробовал, в качестве классификатора - интересный подход, а в качестве детектора - не думаю, что моделька будет определять координаты беспилотника на изображении.
Спасибо за интересный вопрос. Да, с SAHI были проведены эксперименты, однако основная проблема заключалась в скорости обработки изображений. Поскольку одно из требований заключалось в работе в режиме реального времени, то от данного фреймворка пришлось отказаться. Однако стоит заметить, что во время экспериментов точность детекции все же была выше вместе с SAHI. К сожалению, оптимизации типа квантования и прунинга не дали значительного прироста в балансе между точностью и скоростью. Скорость стала выше, но точность и полнота стали ощутимо меньше на тестовой выборке.
.
Считаю, что есть, но потребуется тонкая настройка вместе с ИИ для точного определения БПЛА от всего остального, так как тепловые маркеры есть не только у дронов, но и, например, у птиц. К тому же, современные дроны могут быть оснащены хорошей теплоизоляционной системой или системой активного охлаждения.
Вы частично правы. Нейросеть натренирована на изображениях не только квадрокоптера, но и на БПЛА самолетного типа. К сожалению не было возможности добавить в набор данных большое количество БПЛА вертолетного типа, чтобы покрыть все типы БПЛА.
Конечно думал, более того реализовывал. В данной статье я пытался акцентировать внимание на том, что одним из вариантов определения беспилотников (не только коптеров, в исследовании и в данных также использовалась модель самолетного типа) может быть ИИ. Однако на практике для реального проекта помимо оптического модуля был реализован радиолокационный и звуковой модули. Модуль распознавания на основе нейронных сетей выступал в нем как валидационный, который подтверждал наличие или отсутствие БПЛА в определенной области(расстояние предварительно рассчитывалось на основании радиолокатора).