⚡ electrical engineering

A Task-Driven Evaluation of UAV Detection and Tracking under Synthetic Fog

Diese Arbeit präsentiert ein aufgabenorientiertes Evaluierungsframework, das zeigt, dass synthetischer Nebel die UAV-Erkennung und -Verfolgung zwar stark beeinträchtigt, ein Training unter Einbeziehung von Nebel jedoch die robustesten Leistungssteigerungen bietet, während die Bildrestaurierung zur Testzeit vor allem dann signifikante Vorteile bringt, wenn Detektoren ausschließlich auf sauberen Daten trainiert wurden.

Ursprüngliche Autoren: Amir Pouladi, Vesal Ahsani, Haijun Li, Homayoun Najjaran, Afzal Suleman

Veröffentlicht 2026-07-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Amir Pouladi, Vesal Ahsani, Haijun Li, Homayoun Najjaran, Afzal Suleman

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, eine winzige, ferne Drohne zu entdecken, die hoch am Himmel fliegt. An einem klaren Tag ist es, als würde man nach einem Staubkorn auf einer sauberen Fensterscheibe suchen; man kann sie leicht sehen. Aber nun stellen Sie sich vor, dichter Nebel zieht auf. Das Fenster wird zu einem verschwommenen, weißen Tuch. Die Drohne verschwindet nicht, aber sie verliert ihre Konturen und verschmilzt mit dem Hintergrund, was es für einen Computer nahezu unmöglich macht, sie zu finden.

Dieses Paper ist wie ein Laborexperiment, bei dem Forscher eine „Nebelmaschine“ für Computer Vision gebaut haben, um zu testen, wie gut verschiedene Werkzeuge diese Drohnen finden können, wenn das Wetter umschlägt. Sie haben nicht nur darauf geachtet, wie klar das Bild aussah; sie stellten eine praktischere Frage: „Hilft es dem Computer tatsächlich, die Drohne zu finden, wenn man das Bild klarer macht?“

So sind sie vorgegangen und das haben sie herausgefunden, erklärt durch einfache Analogien:

1. Der Aufbau: Eine künstliche Nebelmaschine bauen

Echten Nebel zu untersuchen ist schwierig, da man ihn nicht perfekt kontrollieren kann und es gefährlich ist, Drohnen zu Testzwecken in Nebel fliegen zu lassen. Deshalb bauten die Forscher eine digitale Nebelmaschine.

Das Rezept: Sie nahmen klare Fotos von Drohnen und verwendeten eine „Tiefenkarte“ (eine digitale Schätzung, wie weit entfernt alles ist), um eine mathematische Formel anzuwenden. Diese Formel fügt Nebel hinzu, der immer dicker wird, je weiter das Objekt entfernt ist, genau wie echter Nebel.
Das Ergebnis: Sie erstellten eine Bibliothek von Bildern, die von „leicht dunstig“ bis hin zu „blendend dichtem Nebel“ reicht.

2. Die drei getesteten Werkzeuge

Die Forscher testeten drei verschiedene Strategien, um dem Computer zu helfen, die Drohne zu sehen:

Strategie A: Der „Sauberkeits-Fanatikus“. Sie trainierten einen Computer-Detektor nur auf klaren, sonnigen Fotos. Dann warfen sie neblige Fotos auf ihn, um zu sehen, wie sehr er in Panik gerät.
Strategie B: Der „Allwetter-Schüler“. Sie trainierten den Computer auf einer Mischung aus klaren und nebligen Fotos. Dieser Schüler lernte vom ersten Tag an, wie Nebel aussieht.
Strategie C: Die „Entnebelungs-Brille“. Sie nahmen die nebligen Fotos und ließen sie durch eine spezielle Software laufen (einen sogenannten „Dehazer“), um zu versuchen, den Nebel aus dem Bild zu schrubben, bevor der Computer versuchte, die Drohne zu finden.

3. Die große Entdeckung: Sehen vs. Finden

Die wichtigste Erkenntnis ist etwas kontraintuitiv. Normalerweise denken wir: „Wenn ich das Bild säubere, wird der Computer einen besseren Job machen.“

Das Paper sagt: Nicht unbedingt.

Der „Sauberkeits-Fanatiker“: Wenn dieser Schüler mit Nebel konfrontiert wurde, scheiterte er kläglich. Er übersah die Drohne ständig. Doch als er die „Entnebelungs-Brille“ (Strategie C) aufsetzte, wurde er viel besser. Die Brille half ihm, die Drohne wieder zu sehen.
Der „Allwetter-Schüler“: Dieser Schüler war bereits robust. Er brauchte die Brille nicht so sehr. Tatsächlich machten die Brillen die Dinge manchmal sogar etwas schlechter oder halfen überhaupt nicht. Warum? Weil die „Entnebelungs“-Software manchmal die Kanten der Drohne verschmiert, während sie versucht, den Nebel zu entfernen, was den Detektor, der bereits an neblige Formen gewöhnt war, verwirrt.

Die Analogie: Stellen Sie sich vor, Sie versuchen, einen Freund in einer Menge zu finden.

Wenn Sie blind gefaltet sind (nur auf klaren Tagen trainiert), hilft es Ihnen, eine Brille aufzusetzen (Entnebelung), um ihn zu sehen.
Aber wenn Sie bereits daran gewöhnt sind, in einem belebten, lauten Raum zu suchen (auf Nebel trainiert), kann das Aufsetzen derselben Brille Ihre Sicht verzerren und es schwieriger machen, das Gesicht Ihres Freundes zu erkennen.

4. Das Tracking-Problem: Die Spur verlieren

Die Forscher testeten auch das „Tracking“ – also das Beobachten der Drohne, während sie sich bewegt.

Die Kettenreaktion: Tracking ist wie ein Staffellauf. Der „Detektor“ ist der Läufer, der den Stab (die Drohne) entdeckt. Der „Tracker“ ist die Person, die mit ihm weiterläuft.
Das Ergebnis: Wenn der Nebel so dicht ist, dass der Detektor die Drohne übersieht (den Stab fallen lässt), hat der Tracker nichts mehr, an dem er sich festhalten kann. Egal wie gut der Tracker ist, er kann keinem Geist folgen.
Die Lektion: Der entscheidende Faktor für ein erfolgreiches Tracking war nicht das Geschick des Trackers, sondern ob der Detektor von vornherein darauf trainiert war, mit dem Nebel umzugehen.

5. Das Fazit

Das Paper schließt mit einigen zentralen Erkenntnissen für jeden, der Systeme zum Finden von Drohnen bei schlechtem Wetter entwickelt:

Training ist entscheidend: Der beste Weg, mit Nebel umzugehen, besteht darin, den Computer von Anfang an mit nebligen Bildern zu trainieren. Es ist, als würde man einen Fahrer lehren, im Regen zu fahren, anstatt ihm nur das Fahren an einem sonnigen Tag beizubringen und zu hoffen, dass er es später schon irgendwie hinbekommt.
Reinigung ist kein Zauberstab: Nur weil ein Bild für das menschliche Auge klarer aussieht, bedeutet das nicht, dass der Computer das Objekt besser findet. Manchmal erzeugt der Prozess der Bildreinigung neue „Artefakte“ (Fehler), die den Computer verwirren.
Übersehene Detektionen sind der Feind: Nebel führt den Computer meistens nicht dazu, Dinge zu sehen, die nicht da sind (Fehlalarme); er sorgt dafür, dass der Computer Dinge übersieht, die eigentlich da sind. Dies ist der Hauptgrund, warum das Tracking fehlschlägt.

Kurz gesagt argumentiert das Paper, dass wir anstatt nur zu versuchen, das Bild im Nachhinein zu „reparieren“, unseren Computern lieber von vornherein beibringen sollten, sich im Nebel wohlzufühlen.

Technisches Resümee: Eine aufgabenorientierte Evaluierung der UAV-Detektion und -Verfolgung unter synthetischem Nebel

Problemstellung

Die zuverlässige Detektion und Verfolgung kleiner unbemannter Luftfahrzeuge (UAVs) im offenen Luftraum ist entscheidend für das Situationsbewusstsein und Sense-and-Avoid-Systeme. Nebel verschlechtert jedoch die Leistung in himmeldominanten Langstreckenaufnahmen erheblich, indem er den Kontrast zwischen Ziel und Hintergrund reduziert und die für die Erkennung kleiner, entfernter Objekte essenziellen Hochfrequenzdetails unterdrückt. Während die Einzelbild-Entnebelung (Single-Image Dehazing) bereits signifikante Fortschritte gemacht hat, versäumen es bestehende Benchmarks oft zu zeigen, ob Verbesserungen bei bildbasierten Restaurierungsmetriken (z. B. PSNR, SSIM) proportional zu Gewinnen bei nachgeschalteten Wahrnehmungsaufgaben führen. Zudem mangelt es an systematischen, aufgabenorientierten Studien, die eine tiefenbewusste Nebelsynthese, Bildrestaurierung und UAV-Detektion/Verfolgung innerhalb eines kontrollierten Protokolls verknüpfen – insbesondere für Szenarien, in denen Nebeleffekte stark tiefenabhängig sind.

Methodik

Die Autoren schlagen eine einheitliche, aufgabenorientierte Evaluierungspipeline vor, die aus drei Stufen besteht: Training, Detektionsinferenz und Tracking-Inferenz.

1. Synthetische Nebelgenerierung

Um den Mangel an annotierten nebelbehafteten UAV-Daten zu adressieren, verwendet die Studie ein tiefenbewusstes atmosphärisches Streumodell (Atmospheric Scattering Model, ASM), um synthetischen Nebel aus realen Aufnahmen bei klarem Wetter zu generieren.

** Tiefenschätzung:** Die Monokular-Tiefe wird mittels MiDaS geschätzt, um eine dichte relative Tiefendarstellung bereitzustellen.
** Normalisierung:** Die Roh-Tiefenkarten werden unter Verwendung datensatzspezifischer Perzentilgrenzen normalisiert, um eine konsistente Skalierung zu gewährleisten, und anschließend invertiert, sodass größere Werte entfernteren Punkten entsprechen.
** Nebelsynthese:** Das nebelbehaftete Bild $I(x)$ wird mit der Gleichung $I(x) = J(x)t(x) + A(1 - t(x))$ synthetisiert, wobei $J(x)$ die reine Strahlung, $A$ das globale atmosphärische Licht und $t(x) = \exp(-\beta d(x))$ die Transmissionskarte ist. Der Parameter $\beta$ steuert die Nebelintensität und variiert über fünf Stufen ( $0,4; 0,8; 1,6; 2,4; 3,6$ ), um von leichter bis schwerer Degradierung zu simulieren.

2. Evaluierung der Bildrestaurierung

Repräsentative Restaurierungsmethoden aus drei Familien wurden auf dem MMAUD-Datensatz evaluiert, um das beste Modell für nachgeschaltete Aufgaben auszuwählen:

Klassisch: Dark Channel Prior (DCP) und Color Attenuation Prior (CAP).
CNN-basiert: FFA-Net.
Transformer-basiert: DehazeFormer.
DehazeFormer wurde aufgrund der überlegenen quantitativen (PSNR, SSIM) und qualitativen Leistung in himmeldominanten Bildern ausgewählt.

3. Detektions- und Trainingsregime

Für die Experimente wurden Detektoren der YOLO11-Familie (n, s, m) verwendet, die auf dem CfAR-Datensatz trainiert wurden. Zwei primäre Trainingsstrategien wurden verglichen:

Nur-Klar-Training (Clean-Only Training): Detektoren, die ausschließlich auf klaren Bildern trainiert wurden.
Nebel-Inklusives Training (Fog-Inclusive Training): Detektoren, die auf einer Mischung aus klaren und nebelbehafteten Bildern in variierenden Anteilen (30 %, 50 %, 70 %, 100 % Nebel) trainiert wurden.
Die Detektoren wurden auf klaren, nebelbehafteten und restaurierten Test-Sets evaluiert.

4. Tracking-durch-Detektion (Tracking-by-Detection)

Die Tracking-Leistung wurde mittels ByteTrack und BoT-SORT auf dem DUT Anti-UAV Datensatz bewertet. Die Studie evaluierte das Tracking auf klaren, nebelbehafteten und restaurierten Videosequenzen und maß die Leistung über die Multiple Object Tracking Accuracy (MOTA) und den Identity F1 Score (IDF1).

Zentrale Beiträge

Aufgabenorientierter Rahmen: Eine einheitliche Pipeline, die tiefenbewusste Nebelsynthese, Bildrestaurierung, Objektdetektion und Verfolgung verknüpft und dabei die Leistung nachgeschalteter Wahrnehmungsaufgaben gegenüber der isolierten Qualität der Bildrestaurierung priorisiert.
Tiefenbewusste Nebelsynthese: Eine Pipeline zur Generierung kontrollierter, nebelbehafteter Varianten realer UAV-Aufnahmen mittels Monokular-Tiefenschätzung und des ASM, wobei die generierten Datensätze öffentlich zugänglich gemacht wurden.
Vergleichende Analyse: Eine rigorose experimentelle Studie, die analysiert, wie Wetterdegradierung und Restaurierung die Robustheit der Detektion und die zeitliche Stabilität der Verfolgung beeinflussen, insbesondere durch den Vergleich von Testzeit-Restaurierung gegenüber nebelinklusivem Training.

Ergebnisse

Auswirkung von Nebel: Nebel verschlechtert sowohl die Detektion als auch die Verfolgung erheblich, primär durch eine Erhöhung der verpassten Detektionen (False Negatives) statt durch falsch-positive Ergebnisse. Der Recall sinkt mit zunehmender Nebelintensität drastisch, was zu signifikanten Rückgängen der mAP- und Tracking-Metriken (MOTA, IDF1) führt.
Restaurierung vs. Training:
- Nur auf klaren Bildern trainierte Detektoren: Die Restaurierung zur Testzeit bietet konsistente Verbesserungen und stellt die durch Nebel verlorene Leistung teilweise wieder her. Die restaurierte Leistung erreicht jedoch selten die Baseline der klaren Bilder, was darauf hindeutet, dass die Restaurierung die Domänenlücke zwar verringert, aber nicht eliminiert.
- Nebel-Inklusives Training: Das Training mit nebelbehafteten Daten bietet die konsistenteste Verbesserung der Robustheit. Mit steigendem Anteil an Nebel im Training verringert sich die Leistungsdifferenz zwischen nebelbehafteten und restaurierten Eingaben signifikant. In einigen Fällen macht das nebelinklusive Training die Restaurierung unnötig oder sogar leicht weniger effektiv, was darauf hindeutet, dass das direkte Lernen von degradierten Daten der post-hoc Restaurierung überlegen ist.
Tracking-Leistung: Die Robustheit des Trackings wird primär durch die Robustheit des zugrunde liegenden Detektors bestimmt. Wenn Detektoren aufgrund verpasster Detektionen versagen, können Tracker das Ziel nicht wiederherstellen. Das nebelinklusive Detektortraining überträgt sich direkt auf eine stärkere Tracking-Leistung, während die Wahl zwischen ByteTrack und BoT-SORT einen sekundären, sequenzabhängigen Effekt hat.
Stabilität: Das nebelinklusive Training reduziert den Variationskoeffizienten (CV) der mAP über verschiedene Nebelstärken hinweg signifikant, was auf eine stabilere Leistung unter wechselnden Sichtbedingungen im Vergleich zum reinen Klar-Training hindeutet.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass Verbesserungen in der bildbasierten Restaurierungsqualität nicht zwangsläufig proportional zu Gewinnen in der nachgeschalteten Wahrnehmung führen. Die Studie zeigt, dass die Restaurierung zwar für Detektoren vorteilhaft ist, die nur auf klaren Bildern trainiert wurden, das nebelinklusive Training jedoch der zuverlässigere Weg ist, um Robustheit zu erreichen.

Die Autoren kommen zu dem Schluss, dass ein System für den praktischen Einsatz die Priorität darauf setzen sollte, Detektoren auf degradierten Daten zu trainieren, um die Abhängigkeit von der Restaurierung zu verringern. Die Restaurierung kann weiterhin als nützlicher Vorverarbeitungsschritt für klar-trainierte Modelle oder in Human-in-the-Loop-Szenarien dienen, in denen visuelle Klarheit die Aufmerksamkeit des Bedieners unterstützt, sollte aber nicht als universelle Lösung betrachtet werden. Die Ergebnisse betonen, dass Robustheit gemeinsam über Detektions- und Tracking-Metriken statt isoliert evaluiert werden sollte. Die Studie räumt ihre Limitationen hinsichtlich der kontrollierten synthetischen Nebelevaluierung ein und identifiziert zukünftige Arbeiten zur Validierung auf realen Wetterszenarien sowie zur Exploration multimodaler Wahrnehmung.