Des chercheurs publient le jeu de données AVID : pour 68,1 % des cibles, le côté de la boîte englobante ne mesure que 8–16 pixels

Des chercheurs du Georgia Institute of Technology, d'ARTPARK (Indian Institute of Science) et du Ramaiah Institute of Technology présentent AVID, un jeu de données et une batterie de tests de robustesse dédiés à la détection de très petites cibles aériennes. Le jeu compte 32 040 paires d'images issues de 115 vidéos : des caméras au sol filment la même scène dans le visible (RGB) et dans l'infrarouge (IR), avec des oiseaux et des drones dans le champ. Pour les 35 952 cibles annotées, les auteurs ont calculé la moyenne géométrique de la largeur et de la hauteur de la boîte : elle ne dépasse pas 8–16 pixels pour 68,1 % des cibles.

De plus, les deux caméras n'observent pas tout à fait la scène sous le même angle : sur 264 paires vérifiées, 16,3 % présentent un décalage entre RGB et IR supérieur au côté médian de la cible.

Que contient le jeu de données ?

Les images proviennent du Drone Detection Dataset, constitué par Svanström et ses collègues. Les paires « oiseau – drone » ont été sélectionnées pour l'IEEE ICIP 2025 Video and Image Processing Cup. La plateforme du concours dédiée à l'identification de la charge du drone n'est pas incluse dans AVID.

L'annotation couvre 35 952 objets : 15 471 oiseaux et 20 481 drones. Les boîtes et les classes sont reprises des organisateurs du concours. La partie d'entraînement contient 28 790 paires issues de 102 vidéos, la partie de validation 3 250 paires issues de 13 autres vidéos. Au total, le jeu comprend 76 vidéos de drones et 39 vidéos d'oiseaux. Les clips comptent de 50 à 329 paires d'images, avec une médiane de 306 et une moyenne de 278,6. Les identifiants de vidéo permettent de construire la validation de façon à ce que des images voisines d'un même clip ne se retrouvent pas à la fois dans l'entraînement et dans le test.

Les auteurs font une mise en garde importante : une paire RGB et IR signifie que les images se correspondent du point de vue de la scène, mais pas qu'elles sont alignées pixel à pixel. Les optiques des caméras diffèrent, si bien qu'une cible peut apparaître à des coordonnées différentes. Ce désalignement n'est pas traité comme un bruit aléatoire : il fait partie des conditions d'évaluation.

Cibles minuscules et décalage des caméras

Selon le critère COCO pour les petits objets, 99,0 % des cibles entrent dans cette catégorie. Cette distribution est trop homogène ; les auteurs analysent donc les tailles par intervalles plus fins : la plage 8–16 pixels regroupe 24 489 annotations.

Pour le décalage entre les caméras, ils introduisent deux outils : un rapport d'alignement relatif et une « courbe de charge du désalignement ». Tous deux mesurent le décalage en côtés de cible, et non en pixels. Un décalage de cinq pixels pèse à peine sur un grand objet, mais il est très important pour une cible de dix pixels de large. Sur un échantillon de 300 paires, la translation globale estimée dépasse 5 pixels dans 32,3 % des cas. Parmi les 264 paires dont les annotations coïncident, 16,3 % présentent un décalage supérieur à un côté médian de cible.

Test de perturbations et analyse de séparabilité

Le second volet du travail est un test contrôlé de dégradations. Il simule sept familles de dégradation d'image sur cinq niveaux d'intensité, parmi lesquelles le bruit, le flou, les changements d'éclairage et l'instabilité de la caméra. Les perturbations peuvent s'appliquer au RGB seul, à l'IR seul ou aux deux canaux à la fois : le capteur touché devient ainsi une variable explicite de l'expérience. Les auteurs ne considèrent pas que l'intensité nominale d'une perturbation équivaut à la difficulté réelle de la tâche pour un détecteur.

Une analyse supplémentaire a été menée dans un espace de caractéristiques fixe, de faible dimension. Elle montre comment la taille de la cible, les dégradations et les décalages ajoutés entre modalités influent sur le chevauchement des classes « oiseau » et « drone ». La mesure retenue est la borne d'erreur de Bhattacharyya : plus la valeur est basse, mieux les classes se séparent. Pour une taille de cible de 12–16 pixels, elle vaut 0,148 pour le RGB, 0,198 pour l'IR et 0,046 pour les caractéristiques combinées. La fusion des capteurs réduit nettement le chevauchement, même si, pris isolément, l'IR fait ici moins bien que le RGB.

Ces valeurs décrivent la séparabilité dans les caractéristiques et les modèles de densité choisis, et non la précision d'un détecteur entraîné. L'analyse s'appuie en outre sur les positions annotées des cibles.

Les auteurs proposent d'utiliser AVID pour des recherches qui tiennent compte de l'échelle, de l'alignement et des spécificités de chaque capteur. Le jeu aide à comprendre dans quelles conditions la fusion RGB et IR apporte un gain, et dans lesquelles elle perd tout intérêt. Le preprint est publié sur arXiv, dans la rubrique cs.CV.