DOI: https://doi.org/10.1038/s41598-025-94796-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40121281
تاريخ النشر: 2025-03-22
المؤلف: Ahmed Abu‐Khadrah وآخرون
الموضوع الرئيسي: طرق المراقبة بالفيديو والتتبع
نظرة عامة
تقدم ورقة البحث تقنية جديدة لاكتشاف الأجسام (ODT) للصور الملتقطة بواسطة الطائرات بدون طيار، حيث تدمج خوارزميات تحسين الحيتان مع التعلم العميق المعزز لتعزيز اكتشاف الأجسام والبشر في سياقات المراقبة الحضرية. تستخدم الطريقة المقترحة خوارزمية تحسين تستخرج ميزات الصورة بشكل منهجي عبر شبكة بكسل $x \times y$، مع التركيز على تحديد وتصنيف الأجسام من خلال اكتشاف الميزات المتداخلة. يتم الاستفادة من سلوك خوارزمية تحسين الحيتان لتحديث حركة الوكلاء بناءً على تركيز البكسل، مما يسمح بتتبع فعال للمناطق ذات التداخل العالي بينما يتم التحقق في الوقت نفسه من الميزات ذات التداخل المنخفض من خلال التعلم المعزز.
في الختام، تُظهر ODT دقة عالية في تصنيف الأجسام الصغيرة من خلال تعظيم تغطية توزيع البكسل. تسهل الطبيعة الديناميكية لوكلاء الحيتان الهجرة الفعالة نحو مناطق تركيز البكسل العالي، بينما يضمن التعلم العميق المعزز المراقبة المستمرة حتى يتم تحقيق توزيع البكسل الأمثل. ومع ذلك، تواجه التقنية تحديات مع معدلات الكشف الخاطئ بسبب تداخل البكسلات عبر مواقع متعددة، مما قد يؤدي إلى تأخير في المعالجة. لمعالجة هذه القضايا، يقترح المؤلفون نهج تحسين حيتان معدل يحد من عدد الوكلاء الأقل، مما يقلل من التعقيد ويحسن الكفاءة العامة للاكتشاف.
مناقشة
تتناول قسم المناقشة في الورقة التحديات والتقدم في مراقبة المدن الذكية، مع التركيز بشكل خاص على تقنيات تحديد الأجسام المدعومة بالطائرات بدون طيار. يبرز المؤلفون قيود الأساليب الحالية، التي تكافح مع دقة الكشف بسبب البيئات الحضرية المعقدة، والإضاءة المتغيرة، والاعتراضات. بالإضافة إلى ذلك، غالبًا ما تواجه النماذج التقليدية صعوبات في المعالجة في الوقت الحقيقي بسبب متطلباتها الحسابية، وهو أمر حاسم لمنصات الطائرات بدون طيار ذات الموارد المحدودة. تؤكد الورقة على الحاجة الملحة لآليات الحفاظ على الخصوصية في أنظمة المراقبة، حيث أن العديد من التقنيات الحالية لا تؤمن البيانات الحساسة بشكل كافٍ.
تتمثل المساهمة الجديدة لهذا البحث في دمج تقنية تحسين تكيفية مع التعلم المعزز لتعزيز التعرف على الأجسام في المراقبة المعتمدة على الطائرات بدون طيار. يتناقض هذا النهج مع نماذج الكشف الثابتة من خلال استخدام تقنية اختيار الميزات الديناميكية والتعلم التي تتكيف مع البيئات المتغيرة، مما يحسن دقة الكشف مع تقليل الحسابات غير الضرورية. لا تعزز الإطار المقترح فقط مرونة الكشف في الوقت الحقيقي ولكن أيضًا تقدم خوارزميات تحافظ على الخصوصية لحماية إدارة البيانات. تشمل المساهمات الرئيسية تقنية جديدة لاكتشاف الأجسام تجمع بين تحسين الحيتان والتعلم المتكرر العميق، بالإضافة إلى تحليلات مقارنة شاملة ونتائج تجريبية تؤكد فعالية النموذج وقابليته للتوسع للتطبيقات العملية.
DOI: https://doi.org/10.1038/s41598-025-94796-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40121281
Publication Date: 2025-03-22
Author(s): Ahmed Abu‐Khadrah et al.
Primary Topic: Video Surveillance and Tracking Methods
Overview
The research paper presents a novel object detection technique (ODT) for drone-captured images, integrating whale optimization algorithms with deep reinforcement learning to enhance object and human detection in urban surveillance contexts. The proposed method employs an optimization algorithm that systematically extracts image features across an $x \times y$ pixel grid, focusing on identifying and classifying objects by detecting overlapping features. The behavior of the whale optimization algorithm is leveraged to update the movement of agents based on pixel concentration, allowing for efficient tracking of high-overlap areas while concurrently validating low-overlap features through reinforcement learning.
In conclusion, the ODT demonstrates high precision in classifying small objects by maximizing pixel distribution coverage. The dynamic nature of whale agents facilitates effective migration towards areas of high pixel concentration, while deep reinforcement learning ensures continuous monitoring until optimal pixel distribution is achieved. However, the technique faces challenges with false detection rates due to overlapping pixels across multiple locations, which can introduce processing latency. To address these issues, the authors suggest a modified whale optimization approach that limits the number of lesser agents, thereby reducing complexity and improving overall detection efficiency.
Discussion
The discussion section of the paper addresses the challenges and advancements in smart city surveillance, particularly focusing on drone-assisted object identification technologies. The authors highlight the limitations of current methods, which struggle with detection accuracy due to complex urban environments, varying illumination, and occlusions. Additionally, traditional models often face difficulties in real-time processing due to their computational demands, which is critical for resource-constrained drone platforms. The paper emphasizes the pressing need for privacy-preserving mechanisms in surveillance systems, as many existing technologies inadequately secure sensitive data.
The novel contribution of this research lies in the integration of an adaptive optimization technique with reinforcement learning to enhance object recognition in UAV-based surveillance. This approach contrasts with static detection models by employing a dynamic feature selection and learning technique that adapts to changing environments, thereby improving detection accuracy while minimizing unnecessary computations. The proposed framework not only enhances detection flexibility in real-time but also introduces privacy-preserving algorithms to safeguard data management. Key contributions include a new object detection technique that combines whale optimization and deep recurrent learning, along with comprehensive comparative analyses and experimental results that validate the model’s effectiveness and scalability for practical applications.