Dedrone ha puesto a disposición de sus clientes su próxima generación de modelos de visión artificial para un amplio uso. La versión de Pythagoras 1 para la conciencia del espacio aéreo inferior y la lucha contra los UAS presenta mejoras en la precisión de todas las clases de objetos y en la recuperación de la mayoría de las clases de objetos. Este modelo de próxima generación ahora está en uso en todos los productos de Dedrone.
Dedrone utilizó la unidad de procesamiento gráfico de aprendizaje automático H100 de NVIDIA como sistema de entrenamiento y PyTorch como marco para sus modelos de visión artificial, lo que le permitió emplear una arquitectura de red neuronal completamente nueva. Los conjuntos de datos existentes de la empresa se ampliaron mediante conjuntos de datos simulados y la integración del aprendizaje activo de los casos más interesantes.
Dedrone emplea técnicas de aumento de datos con la herramienta AutoKat. AutoKat aumenta las imágenes existentes al pintar objetos artificiales en ellas, ya sea con o sin anotaciones existentes. Para este proyecto, la empresa adquirió varios modelos, incluidos 21 helicópteros, siete aviones y 11 drones (incluidos cuadricópteros, drones de ala fija y tres drones del Grupo 3), que se pueden escalar, orientar y colocar en cualquier posición dentro de una imagen. “Este método nos permite crear un conjunto diverso de imágenes, particularmente útil para equilibrar nuestro conjunto de datos al generar muchas anotaciones de helicópteros y aviones”, dijo Dedrone en una publicación de blog. “También ayuda a abordar la distribución del tamaño de los objetos, que es crucial para hacer avanzar nuestros modelos para que funcionen con imágenes 4K”.
Pythagoras 1 ha proporcionado un aumento promedio del 20% en la velocidad del rastreador de video de Dedrone, además de mejorar la precisión y reducir tanto los falsos positivos como los falsos negativos. “ Estas mejoras se pueden medir mediante la mejora de la Precisión Media Promedio (mAP) y la Recuperación Media Promedio (mAR)”, dijo Dedrone. “La recuperación y la precisión son las dos métricas clave que se utilizan para evaluar el rendimiento del detector. En la práctica, existe un equilibrio entre estas métricas. Aumentar el umbral para clasificar un objeto en el espacio aéreo dará como resultado menos falsos positivos, mejorando así la precisión. Sin embargo, esto tiende a permitir más falsos negativos en la práctica, por lo que la recuperación es ahora menor”.
La empresa también informa de una mejora de 14 veces en la precisión media para drones extremadamente pequeños. Estas mejoras se observaron en todos los objetos y en varias escalas espaciales.
El nuevo motor de inferencia ha reducido el tiempo que tarda su modelo en ejecutarse en un vídeo, lo que, a su vez, permite a Dedrone aprovechar más «neuronas» en su red neuronal por un coste similar de fotogramas por segundo en comparación con el modelo anterior de la empresa. Además, la red puede gestionar más píxeles de información sin sufrir una gran pérdida de tiempo de ejecución en comparación con el método de implementación anterior de Dedrone. Este cambio ha permitido a la empresa procesar e inferir rápidamente lo que hay en el vídeo 4k y, en consecuencia, le ha permitido estar preparada para nuevos retos de conocimiento del espacio aéreo, como el uso de drones como primeros intervinientes.
Para más información