Benedikt Kolbeinsson Krystian Mikolajczyk

Résumé

Les progrès des drones autonomes, essentiels aux secteurs de la télédétection et des services d’urgence, sont freinés par l’absence de jeux de données d’entraînement capables de reproduire de manière complète les défis environnementaux rencontrés dans des scénarios réels, en particulier les opérations en conditions météorologiques défavorables et la détection de structures fines telles que les câbles. Nous présentons le jeu de données Drone Depth and Obstacle Segmentation (DDOS), conçu pour combler cette lacune critique, en proposant une collection d’images aériennes synthétiques destinées à fournir des échantillons d’entraînement complets pour la segmentation sémantique et l’estimation de profondeur. Spécifiquement conçu pour améliorer la détection des structures fines, DDOS permet aux drones de naviguer dans une large variété de conditions météorologiques, contribuant ainsi de manière significative à la sécurité de l’entraînement et des opérations des drones. En outre, ce travail introduit de nouveaux indicateurs spécifiques aux drones, visant à affiner l’évaluation des algorithmes d’estimation de profondeur, avec un accent particulier sur la détection des structures minces. Ces contributions ouvrent la voie à des améliorations substantielles dans la technologie des drones autonomes, tout en établissant une nouvelle référence pour les recherches futures, et en ouvrant de nouvelles perspectives pour l’évolution de la navigation et de la sécurité des drones.