Fechar
Metadados

1. Identificação
Tipo de ReferênciaArtigo em Revista Científica (Journal Article)
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Sitemtc-m12e.sid.inpe.br (namespace prefix: upn:4CUH36S)
Identificador8JMKD2USNRW34T/4DDLG42
Repositóriosid.inpe.br/mtc-m12e/2025/05.01.18.36
Última Atualização2025:05.01.18.36.03 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m12e/2025/05.01.18.36.03
Última Atualização dos Metadados2026:01.14.20.05.42 (UTC) administrator
Chave SecundáriaINPE--PRE/
DOI10.1590/0001-3765202520240623
ISSN0001-3765
Chave de CitaçãoEuphrasioAnShLiFrXaSS:2025:AnDeLe
TítuloAnalysis of Deep Learning Techniques for Vehicle Detection and Reidentification Using Data from Multiple Drones and Public Datasets
Ano2025
Data de Acesso24 out. 2026
Tipo de Trabalhojournal article
Tipo SecundárioPRE PN
Número de Arquivos1
Tamanho2896 KiB
2. Contextualização
Autor1 Euphrasio, Felipe P.
2 Andrade, Rafael Marinho de
3 Shiguemori, Elcio H.
4 Liangrid, Lutiani da Silva
5 Freitas, Moisés José S.
6 Xavier, Nathan Augusto Z.
7 S Sobrinho, Argemiro S.
ORCID1 0000-0005-6198-6672
2 0000-0001-6117-0378
3 0000-0001-5226-0435
4 0000-0002-9494-4787
5 0000-0002-4246-8555
6 0000-0002-6771-947X
7 0000-0001-7227-9176
Grupo1
2 CAP-COMP-DIPGR-INPE-MCTI-GOV-BR
3
4 COMIT-CGIP-INPE-MCTI-GOV-BR
Afiliação1 Instituto Tecnológico de Aeronáutica (ITA)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Instituto de Estudos Avançados (IEAv)
4 Instituto Nacional de Pesquisas Espaciais (INPE)
5 Universidade de Taubaté (UNITAU)
6 Instituto Tecnológico de Aeronáutica (ITA)
7 Instituto Tecnológico de Aeronáutica (ITA)
Endereço de e-Mail do Autor1 felipephelp1234@gmail.com
RevistaAnais da Academia Brasileira de Ciências
Volume97
Número2
Páginase20240623
Nota SecundáriaA1_INTERDISCIPLINAR A1_ENGENHARIAS_III A2_PLANEJAMENTO_URBANO_E_REGIONAL_/_DEMOGRAFIA A2_GEOGRAFIA A2_ENSINO A2_ENGENHARIAS_IV A2_CIÊNCIAS_AMBIENTAIS A2_BIODIVERSIDADE A2_ANTROPOLOGIA_/_ARQUEOLOGIA B1_ZOOTECNIA_/_RECURSOS_PESQUEIROS B1_PSICOLOGIA B1_NUTRIÇÃO B1_MEDICINA_VETERINÁRIA B1_GEOCIÊNCIAS B1_ENGENHARIAS_II B1_ENGENHARIAS_I B1_ENFERMAGEM B1_EDUCAÇÃO_FÍSICA B1_CIÊNCIAS_SOCIAIS_APLICADAS_I B1_CIÊNCIAS_AGRÁRIAS_I B2_SAÚDE_COLETIVA B2_QUÍMICA B2_MEDICINA_III B2_MEDICINA_II B2_MEDICINA_I B2_MATERIAIS B2_MATEMÁTICA_/_PROBABILIDADE_E_ESTATÍSTICA B2_FARMÁCIA B2_ECONOMIA B2_CIÊNCIA_DE_ALIMENTOS B2_CIÊNCIA_DA_COMPUTAÇÃO B3_CIÊNCIAS_BIOLÓGICAS_II B3_CIÊNCIAS_BIOLÓGICAS_I B3_BIOTECNOLOGIA B3_ASTRONOMIA_/_FÍSICA B4_CIÊNCIAS_BIOLÓGICAS_III
Acervo Hospedeirourlib.net/www/2025/02.16.04.07 upn:4CUH36S
Histórico (UTC)2025-05-01 18:36:03 :: simone -> administrator ::
2025-05-01 18:36:06 :: administrator -> simone :: 2025
2025-05-01 18:39:53 :: simone -> administrator :: 2025
2026-01-14 20:05:42 :: administrator -> simone :: 2025
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChaveConvolutional Neural Network
Detection
Tracking
Re-ID of Vehicles
Mul-tiples UAVs
ResumoThe detection and re-identification of vehicles in dynamic environments, such as highways monitored by a swarm of drones, presents significant challenges, particularly due to the variability of images captured from different angles and under various conditions. This scenario necessitates the development of suitable methods that integrate appropriate computational techniques, such as convolutional neural networks (CNN) to address the diversity of drone captures and improve accuracy in detection and re-identification. In this paper, a solution for vehicle detection and Re-ID is proposed, combining CNN techniques VGG16, VGG19, ResNet50, InceptionV3 and EfficientNetV2L. YOLOv4 was selected for detection, while the DeepSORT algorithm was chosen for tracking. The proposed solution considers the generalization capabilities of these techniques with varied images from different drones in different positions. Two datasets were employed: the first is a public dataset from Mendeley used for method evaluation, while the second consists of images and data collected by a swarm of drones. In the first experiment, the best performing network was ResNet50, with an average accuracy of 55%. In the second experiment, the highest accuracy CNN was VGG19, with 91% accuracy. Overall, the techniques were able to distinguish vehicles of different models and adapted to the data captured by drones.
ÁreaETES
Arranjo 1urlib.net > CAP > Analysis of Deep...
Arranjo 2urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > Analysis of Deep...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 01/05/2025 15:36 1.0 KiB 
4. Condições de acesso e uso
URI dos dadosupn:4CUH36S:8JMKD2USNRW34T/4DDLG42
URL dos dadoshttp://urlib.net/ibi/8JMKD2USNRW34T/4DDLG42
URL dos dados zipadoshttp://urlib.net/zip/8JMKD2USNRW34T/4DDLG42
Idiomaen
Arquivo Alvobaixados.pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Política de Arquivamentoallowpublisher allowfinaldraft
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2025/02.16.04.07.51
Unidades Imediatamente Superiores8JMKD3MGPCW/3F2PHGS
8JMKD3MGPCW/46KUES5
Lista de Itens Citandosid.inpe.br/bibdigital/2013/10.12.22.16 - 85
sid.inpe.br/bibdigital/2022/04.03.23.11 - 71
sid.inpe.br/bibdigital@80/2006/04.07.15.50.13 - 5
urlib.net/www/2025/02.16.04.07.51 - 1
DivulgaçãoWEBSCI; PORTALCAPES; SCIELO; SCOPUS.
6. Notas
Campos Vaziosalternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel e-mailaddress format isbn label lineage mark month nextedition notes parameterlist parentrepositories previousedition previouslowerunit progress project readpermission resumeid rightsholder schedulinginformation secondarydate session shorttitle sponsor subject tertiarymark tertiarytype url
7. Controle da descrição
e-Mail (login)simone
atualizar 


Fechar