⚡ electrical engineering

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

Cet article présente un cadre d'évaluation axé sur les tâches démontrant que, bien que le brouillard synthétique dégrade sévèrement la détection et le suivi des drones, l'entraînement incluant le brouillard offre les gains de performance les plus robustes, tandis que la restauration d'image au moment du test apporte des bénéfices significatifs principalement lorsque les détecteurs sont entraînés uniquement sur des données claires.

Auteurs originaux : Amir Pouladi, Vesal Ahsani, Haijun Li, Homayoun Najjaran, Afzal Suleman

Publié 2026-07-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Amir Pouladi, Vesal Ahsani, Haijun Li, Homayoun Najjaran, Afzal Suleman

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de repérer un minuscule drone lointain volant haut dans le ciel. Par une journée claire, c'est comme chercher une poussière sur une vitre propre ; on peut le voir facilement. Mais maintenant, imaginez qu'un brouillard épais arrive. La vitre devient une feuille blanche et floue. Le drone ne disparaît pas, mais il perd ses contours et se fond dans l'arrière-plan, ce qui le rend presque impossible à trouver pour un ordinateur.

Ce document est comme une expérience de laboratoire où des chercheurs ont construit une « machine à brouillard » pour la vision par ordinateur afin de tester l'efficacité de différents outils pour trouver ces drones lorsque la météo tourne mal. Ils ne se sont pas contentés de regarder si l'image paraissait claire ; ils ont posé une question plus pratique : « Est-ce que rendre l'image plus claire aide réellement l'ordinateur à trouver le drone ? »

Voici comment ils ont procédé et ce qu'ils ont découvert, expliqués à travers des analogies simples :

1. La configuration : Construire une fausse machine à brouillard

Le vrai brouillard est difficile à étudier car on ne peut pas le contrôler parfaitement, et il est dangereux de faire voler des drones dedans pour des tests. Les chercheurs ont donc construit une machine à brouillard numérique.

La recette : Ils ont pris des photos claires de drones et ont utilisé une « carte de profondeur » (une estimation numérique de la distance de chaque objet) pour appliquer une formule mathématique. Cette formule ajoute du brouillard qui s'épaissit à mesure que l'objet s'éloigne, tout comme le vrai brouillard.
Le résultat : Ils ont créé une bibliothèque d'images allant d'un « léger voile brumeux » à un « brouillard aveuglant et épais ».

2. Les trois outils testés

Les chercheurs ont testé trois stratégies différentes pour aider l'ordinateur à voir le drone :

Stratégie A : L'étudiant de la « salle propre ». Ils ont entraîné un détecteur informatique uniquement sur des photos claires et ensoleillées. Ensuite, ils ont soumis des photos brumeuses à cet étudiant pour voir comment il paniquait.
Stratégie B : L'étudiant « tout temps ». Ils ont entraîné l'ordinateur sur un mélange de photos claires et de photos brumeuses. Cet étudiant a appris ce qu'est le brouillard dès le premier jour.
Stratégie C : Les « lunettes de désembuage ». Ils ont pris les photos brumeuses et les ont passées dans un logiciel spécial (appelé « désembueur » ou dehazer) pour tenter d'effacer le brouillard de l'image avant que l'ordinateur ne tente de trouver le drone.

3. La grande découverte : Voir vs Trouver

La découverte la plus importante est un peu contre-intuitive. Habituellement, nous pensons : « Si je nettoie l'image, l'ordinateur fera un meilleur travail. »

Le document dit : Pas forcément.

L'étudiant de la « salle propre » : Face au brouillard, il a échoué lamentablement. Il manquait constamment le drone. Cependant, lorsqu'il a mis les « lunettes de désembuage » (Stratégie C), il s'est beaucoup amélioré. Les lunettes l'ont aidé à voir à nouveau le drone.
L'étudiant « tout temps » : Cet étudiant était déjà robuste. Il n'avait pas vraiment besoin des lunettes. En fait, parfois, les lunettes rendaient les choses légèrement pires ou n'aidaient pas du tout. Pourquoi ? Parce que le logiciel de « désembuage » a parfois lissé les contours du drone en essayant de retirer le brouillard, ce qui a confondu le détecteur qui était déjà habitué aux formes brumeuses.

L'analogie : Imaginez que vous essayiez de trouver un ami dans une foule.

Si vous avez les yeux bandés (entraîné uniquement pour les jours clairs), mettre des lunettes (désembuage) vous aide à le voir.
Mais si vous êtes déjà habitué à chercher dans une pièce bondée et bruyante (entraîné pour le brouillard), mettre ces mêmes lunettes pourrait simplement déformer votre vue et rendre plus difficile la reconnaissance du visage de votre ami.

4. Le problème du suivi : Perdre la trace

Les chercheurs ont également testé le « suivi » (tracking) — garder un œil sur le drone pendant qu'il se déplace.

La réaction en chaîne : Le suivi est comme une course de relais. Le « Détecteur » est le coureur qui repère le témoin (le drone). Le « Tracker » est la personne qui continue de courir avec lui.
Le résultat : Si le brouillard est si épais que le Détecteur manque le drone (lâche le témoin), le Tracker n'a plus rien à suivre. Peu importe la compétence du Tracker, il ne peut pas suivre un fantôme.
La leçon : Le facteur déterminant pour un suivi réussi n'était pas la compétence du tracker, mais plutôt de savoir si le détecteur avait été entraîné pour gérer le brouillard dès le départ.

5. L'essentiel

Le document conclut avec quelques points clés pour quiconque construit des systèmes pour trouver des drones par mauvais temps :

L'entraînement est roi : La meilleure façon de gérer le brouillard est d'entraîner votre ordinateur sur des images brumeuses dès le début. C'est comme apprendre à un conducteur à conduire sous la pluie plutôt que de simplement lui apprendre à conduire par beau temps en espérant qu'il s'en sorte plus tard.
Le nettoyage n'est pas une baguette magique : Ce n'est pas parce qu'une image paraît plus claire à l'œil humain que l'ordinateur trouvera mieux l'objet. Parfois, le processus de nettoyage de l'image crée de nouveaux « artefacts » (glitchs) qui confondent l'ordinateur.
Les détections manquées sont l'ennemi : Le brouillard ne trompe généralement pas l'ordinateur en lui faisant voir des choses qui n'existent pas (fausses alertes) ; il fait en sorte que l'ordinateur manque des choses qui sont réellement là. C'est la raison principale pour laquelle le suivi échoue.

En résumé, le document soutient qu'au lieu de simplement essayer de « réparer » l'image après coup, nous devrions apprendre à nos ordinateurs à être à l'aise dans le brouillard dès le début.

Résumé technique : Une évaluation axée sur les tâches de la détection et du suivi de drones sous brouillard synthétique

Énoncé du problème

La détection et le suivi fiables de petits véhicules aériens non habités (UAV/drones) dans l'espace aérien ouvert sont essentiels pour la conscience situationnelle et les systèmes de détection et d'évitement. Cependant, le brouillard dégrade considérablement les performances dans les images dominées par le ciel et à longue portée en réduisant le contraste cible-arrière-plan et en supprimant les détails à haute fréquence essentiels à la reconnaissance d'objets petits et distants. Bien que le désembuage sur image unique ait progressé de manière significative, les benchmarks existants échouent souvent à démontrer que les améliorations des métriques de restauration au niveau de l'image (par exemple, PSNR, SSIM) se traduisent par des gains proportionnels dans les tâches de perception en aval. De plus, il manque une étude systématique, au niveau des tâches, reliant la synthèse de brouillard sensible à la profondeur, la restauration d'image et la détection/le suivi de drones au sein d'un protocole contrôlé, particulièrement pour les scénarios où les effets de brouillard sont fortement dictés par la profondeur.

Méthodologie

Les auteurs proposent un pipeline d'évaluation unifié et axé sur les tâches, comprenant trois étapes : l'entraînement, l'inférence de détection et l'inférence de suivi.

1. Génération de brouillard synthétique

Pour remédier à la rareté des données de drones annotées en conditions de brouillard, l'étude utilise un modèle de diffusion atmosphérique (ASM) sensible à la profondeur pour générer du brouillard synthétique à partir d'images réelles par temps clair.

Estimation de la profondeur : La profondeur monoculaire est estimée à l'aide de MiDaS pour fournir une représentation de profondeur relative dense.
Normalisation : Les cartes de profondeur brutes sont normalisées à l'aide de limites de percentiles spécifiques au jeu de données pour assurer une mise à l'échelle cohérente, puis inversées afin que les valeurs plus grandes correspondent à des points plus éloignés.
Synthèse du brouillard : L'image brumeuse $I(x)$ est synthétisée à l'aide de l'équation $I(x) = J(x)t(x) + A(1 - t(x))$ , où $J(x)$ est la luminance propre, $A$ est la lumière atmosphérique globale, et $t(x) = \exp(-\beta d(x))$ est la carte de transmission. Le paramètre $\beta$ contrôle la sévérité du brouillard, variant selon cinq niveaux ($0,4, 0,8, 1,6, 2,4, 3,6$) pour simuler une dégradation allant de légère à sévère.

2. Évaluation de la restauration d'image

Des méthodes de restauration représentatives issues de trois familles ont été évaluées sur le jeu de données MMAUD afin de sélectionner le meilleur modèle pour les tâches en aval :

Classique : Dark Channel Prior (DCP) et Color Attenuation Prior (CAP).
Basée sur les CNN : FFA-Net.
Basée sur les Transformers : DehazeFormer.
DehazeFormer a été sélectionné en raison de ses performances quantitatives (PSNR, SSIM) et qualitatives supérieures dans les images dominées par le ciel.

3. Régimes de détection et d'entraînement

Les expériences ont utilisé la famille de détecteurs YOLO11 (n, s, m) entraînés sur le jeu de données CfAR. Deux stratégies d'entraînement principales ont été comparées :

Entraînement sur images claires uniquement (Clean-Only) : Détecteurs entraînés exclusivement sur des images claires.
Entraînement incluant le brouillard (Fog-Inclusive) : Détecteurs entraînés sur un mélange d'images claires et d'images dégradées par le brouillard à différents ratios (30 %, 50 %, 70 %, 100 % de brouillard).
Les détecteurs ont été évalués sur des ensembles de test clairs, brumeux et restaurés.

4. Suivi par détection (Tracking-by-Detection)

La performance du suivi a été évaluée à l'aide de ByteTrack et BoT-SORT sur le jeu de données DUT Anti-UAV. L'étude a évalué le suivi sur des séquences vidéo claires, brumeuses et restaurées, en mesurant la performance via la précision du suivi d'objets multiples (MOTA) et le score F1 d'identité (IDF1).

Contributions clés

Cadre axé sur les tâches : Un pipeline unifié reliant la synthèse de brouillard sensible à la profondeur, la restauration d'image, la détection d'objets et le suivi, privilégiant la performance de perception en aval plutôt que la qualité isolée de la restauration d'image.
Synthèse de brouillard sensible à la profondeur : Un pipeline pour générer des variantes de l'imagerie de drones réelles dégradées par le brouillard en utilisant l'estimation de la profondeur monoculaire et l'ASM, avec des jeux de données générés rendus publics.
Analyse comparative : Une étude expérimentale rigoureuse analysant comment la dégradation météorologique et la restauration affectent la robustesse de la détection et la stabilité temporelle du suivi, comparant spécifiquement la restauration au moment du test par rapport à l'entraînement incluant le brouillard.

Résultats

Impact du brouillard : Le brouillard dégrade substantiellement la détection et le suivi, principalement en augmentant les non-détections (faux négatifs) plutôt que les faux positifs. Le rappel chute brutalement à mesure que la sévérité du brouillard augmente, entraînant des déclins significatifs de la mAP et des métriques de suivi (MOTA, IDF1).
Restauration vs Entraînement :
- Détecteurs entraînés sur images claires : La restauration au moment du test apporte des améliorations constantes, récupérant partiellement la performance perdue à cause du brouillard. Cependant, la performance restaurée atteint rarement la ligne de base "claire", indiquant que la restauration réduit mais n'élimine pas le fossé de domaine.
- Entraînement incluant le brouillard : L'entraînement avec des données brumeuses offre l'amélioration la plus constante de la robustesse. À mesure que la proportion de brouillard dans l'entraînement augmente, l'écart de performance entre les entrées brumeuses et restaurées se réduit considérablement. Dans certains cas, l'entraînement incluant le brouillard rend la restauration inutile, voire légèrement moins efficace, suggérant qu'apprendre directement à partir de données dégradées est supérieur à compter sur une restauration a posteriori.
Performance du suivi : La robustesse du suivi est principalement régie par la robustesse du détecteur sous-jacent. Lorsque les détecteurs échouent en raison de non-détections, les trackers ne peuvent pas récupérer la cible. L'entraînement du détecteur incluant le brouillard se transfère directement à un meilleur suivi, tandis que le choix entre ByteTrack et BoT-SORT a un effet secondaire dépendant de la séquence.
Stabilité : L'entraînement incluant le brouillard réduit considérablement le coefficient de variation (CV) de la mAP à travers les sévérités de brouillard, indiquant une performance plus stable sous des conditions de visibilité changeantes par rapport à l'entraînement sur images claires uniquement.

Signification et affirmations

L'article affirme que les améliorations de la qualité de la restauration au niveau de l'image ne se traduisent pas nécessairement par des gains proportionnels dans la perception en aval. L'étude démontre que si la restauration est bénéfique pour les détecteurs entraînés uniquement sur des images claires, l'entraînement incluant le brouillard est la voie la plus fiable pour obtenir de la robustesse.

Les auteurs concluent que pour un déploiement pratique, un système doit prioriser l'entraînement des détecteurs sur des données dégradées pour réduire la dépendance à la restauration. La restauration peut encore servir d'étape de prétraitement utile pour les modèles entraînés sur des images claires ou dans des scénarios de l'humain dans la boucle où la clarté visuelle aide la conscience de l'opérateur, mais elle ne doit pas être considérée comme une solution universelle. Les conclusions soulignent que la robustesse doit être évaluée conjointement à travers des métriques de détection et de suivi plutôt qu'en isolation. L'étude reconnaît ses limites liées à l'évaluation contrôlée du brouillard synthétique et identifie des travaux futurs visant à valider sur des données météorologiques réelles et à explorer la perception multimodale.