Человек смотрит на силуэт в небе и почти всегда безошибочно определяет: птица или дрон. Нейросеть видит иначе. Для нее любой движущийся объект размером 20–50 сантиметров, летящий на высоте 50–200 метров, — набор пикселей, который нужно классифицировать по статистическим признакам.
Почему они похожи
Проблема в том, что птицы и дроны имеют схожие параметры:
- и те и другие могут зависать (хищные птицы);
- менять траекторию;
- летать с переменной скоростью.
Исследования показывают: при детектировании летающих объектов самым сложным для классификации классом является именно «птица».
Почему нейросети путают БПЛА и птиц
Нейросеть обучается на размеченных изображениях. Если в выборке мало фотографий птиц в разных ракурсах, освещении и погодных условиях, алгоритм начинает обобщать. В результате птица с определенного ракурса становится для него «дроном».
Ученые, исследовавшие проблему, пришли к выводу: необходимо увеличивать в наборах данных количество изображений с объектами класса «птица» и дообучать модели.
Поиск не тех признаков
Нейросеть ищет не смысл, а статистические закономерности. Она может запомнить, что у дронов есть пропеллеры, но на дальнем расстоянии пропеллеров не видно. Тогда алгоритм начинает цепляться за второстепенные признаки: форма объекта, характер движения, контраст с небом. У птиц все эти признаки могут совпадать.
Радиочастотный фон тоже обманывает
Нейросети часто работают в связке с радиочастотными детекторами. Но и тут возникает путаница: птицы с GPS-трекерами для научных исследований дают сигнал, который может быть мощнее, чем у малого дрона. Детектор засекает излучение, нейросеть разворачивает камеру, видит птицу — и система в замешательстве.
Масштаб проблемы: сколько ложных тревог создают птицы
По данным экспертов, ложные срабатывания от птиц и радиопомех случаются в большинстве случаев. Для стадиона это означает, что служба безопасности может получать десятки сигналов за час, большинство из которых — ложные. Операторы быстро устают, привыкают к тревогам и рискуют пропустить реальную угрозу.
На одном из российских объектов детектор ловил «дрон» каждый вечер в одно и то же время. Оказалось, это птицы возвращались к гнездам, а их траектория полета совпадала с маршрутами, типичными для дронов.
Как снизить количество ошибок
Прямой путь: собирать больше фотографий птиц именно над этим стадионом. Ласточки, вороны, чайки, голуби — у каждого вида своя манера полета. Нейросеть нужно дообучать на местных данных.
Комбинирование сенсоров
Один датчик ошибается, два гораздо реже. Если радиочастотный детектор засек сигнал, нейросеть подтвердила силуэт, а радар показал скорость, нехарактерную для птицы (например, 80 км/ч), — можно уверенно говорить о дроне.
Фильтры по высоте и скорости
Настройка чувствительности и использование фильтров по высоте отсекают часть птиц, которые летят ниже или выше типичных для дронов эшелонов.
Цена ошибки
Для стадиона ложная тревога — это отвлеченный наряд полиции, остановленная трансляция, нервы зрителей. Пропущенная угроза — это еще и дрон над трибунами, который может упасть или оказаться носителем опасного груза.
Системы безопасности балансируют: высокая чувствительность дает вал ложных срабатываний, низкая — риск пропустить реальный дрон. Производители рекомендуют настраивать чувствительность так, чтобы игнорировать большинство помех, но сохранять обнаружение на рабочей дистанции.
Научим ли мы нейросети отличать птиц от гражданских дронов
Исследователи активно работают над этой проблемой. В мировой науке создаются стандартизированные наборы данных для обучения нейросетей распознаванию дронов и птиц в разных условиях. Чем больше качественных данных получит алгоритм, тем реже он будет ошибаться.
Но полностью исключить ошибки невозможно. Как и человек, нейросеть всегда будет в чем-то заблуждаться. Задача не в идеале, а в том, чтобы свести ложные срабатывания к минимуму, при котором служба безопасности сохраняет бдительность и доверяет системе.
Стаьья подготовлена авторами https://djirussia.pro — узнайте больше о защите стадионов от БПЛА.
