YOLODrone+: improved YOLO architecture for object detection in UAV images

Simple item page
buir.contributor.authorŞahin, Öykü
dc.citation.epage[4]en_US
dc.citation.spage[1]en_US
dc.contributor.authorŞahin, Öykü
dc.contributor.authorÖzer, Sedat
dc.coverage.spatialSafranbolu, Turkeyen_US
dc.date.accessioned2023-02-14T12:40:42Z
dc.date.available2023-02-14T12:40:42Z
dc.date.issued2022-08-29
dc.descriptionConference Name: 2022 30th Signal Processing and Communications Applications Conference (SIU)en_US
dc.descriptionDate of Conference: 15-18 May 2022en_US
dc.description.abstractThe performance of object detection algorithms running on images taken from Unmanned Aerial Vehicles (UAVs) remains limited when compared to the object detection algorithms running on ground taken images. Due to its various features, YOLO based models, as a part of one-stage object detectors, are preferred in many UAV based applications. In this paper, we are proposing novel architectural improvements to the YO-LOv5 architecture. Our improvements include: (i) increasing the number of detection layers and (ii) use of transformers in the model. In order to train and test the performance of our proposed model, we used VisDrone and SkyData datasets in our paper. Our test results suggest that our proposed solutions can improve the detection accuracy.en_US
dc.description.abstractİnsansız Hava Araçları (İHA) üzerindeki kameralardan alınan görüntülerde, nesne tanıma algoritmalarının başarımı, yerden çekilen görüntülerdeki performanslara göre daha sınırlı kalabilmektedir. Birçok İHA uygulamasında, tekgeçişli olmasından ve iki-geçişli yöntemlere göre daha hızlı olmasından dolayı, önceden eğitilmiş modelleri ile beraber gelen YOLOv5 algoritması kullanılmaya başlanmıştır. Ancak YOLOv5 algoritmasının İHA tabanlı imgeler üzerindeki performansı, yerden çekilen resimler üzerindeki performansına oranla düşük kalmaktadır. O nedenle bu çalışmada, YOLOv5 algoritmasının performansını arttırmak adına mimari çözümler önerilmiştir. Bu çözümler: (i) farklı sayıda tahmin yapan katman kullanmak, ve (ii) dönüştürücü (transformer) katmanı kullanmak olarak sıralanabilir. Sunulan yöntem, en güncel olan VisDrone ve Sky- DataV1 veri kümeleri üzerinde, orijinal YOLOv5 algoritması ile karşılaştırıldığında, performans artışı sağlamıştır.
dc.description.provenanceSubmitted by Betül Özen (ozen@bilkent.edu.tr) on 2023-02-14T12:40:42Z No. of bitstreams: 1 YOLODrone_Improved_YOLO_Architecture_for_Object_Detection_in_UAV_Images.pdf: 1353949 bytes, checksum: cfe7ccfdb9c46279bdc38a07c3591612 (MD5)en
dc.description.provenanceMade available in DSpace on 2023-02-14T12:40:42Z (GMT). No. of bitstreams: 1 YOLODrone_Improved_YOLO_Architecture_for_Object_Detection_in_UAV_Images.pdf: 1353949 bytes, checksum: cfe7ccfdb9c46279bdc38a07c3591612 (MD5) Previous issue date: 2022-08-29en
dc.identifier.doi10.1109/SIU55565.2022.9864746en_US
dc.identifier.eisbn978-1-6654-5092-8
dc.identifier.issn2165-0608
dc.identifier.urihttp://hdl.handle.net/11693/111266
dc.language.isoTurkishen_US
dc.publisherIEEEen_US
dc.relation.isversionofhttps://www.doi.org/10.1109/SIU55565.2022.9864746en_US
dc.source.titleSignal Processing and Communications Applications Conference (SIU)en_US
dc.subjectDeep learningen_US
dc.subjectObject detectionen_US
dc.subjectUAVen_US
dc.subjectDerin öğrenmeen_US
dc.subjectNesne tanımaen_US
dc.subjectİHAen_US
dc.titleYOLODrone+: improved YOLO architecture for object detection in UAV imagesen_US
dc.title.alternativeYOLODrone+: İHA görüntülerinde nesne tanıma için geliştirilmiş YOLO mimarisien_US
dc.typeConference Paperen_US

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
YOLODrone_Improved_YOLO_Architecture_for_Object_Detection_in_UAV_Images.pdf
Size:
1.29 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.69 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Scholarly Publications - Work in Progress