Geniş Alanlı Hareketli Görüntüleme

(Wide Area Motion Imagery - WAMI)

Musa Serdar ARSLAN
İstanbul Üniversitesi Cerrahpaşa
Bilgisayar Müh.Böl.
sarslan@hho.edu.tr

Özet—Geniş alanlı hareketli görüntüleme sayesinde, bir

hava aracı üzerine yerleştirilen bir sensör vasıtasıyla
onlarca kilometrekarelik alanın gözetlenebilmesi mümkün
olmaktadır. İnsanlı veya insansız hava araçları üzerine yer-
leştirilen WAMI sensörleri vasıtasıyla gerçekleştirilen bu
tür gözetlemenin birçok farklı alanda çok önemli uygula-
maları bulunmaktadır. Şehirler üzerinde yapılan gözetleme
ile trafik izleme, trafik planlama, güvenlik, suç ve suçlu
takibi, anomali tespit gibi uygulamaları bulunmaktadır.
Bunun yanında sınır güvenliği uygulamaları, silahlı kuv-
vetler için istihbarat, gözetleme ve keşif görevlerini yerine
getirmek için kullanılmaktadır. Özellikle İnsansız Hava
Aracı (İHA) kullanılarak gerçekleştirilen gözetleme silahlı
kuvvetler için çok önemli bir kuvvet çarpanı oluşturmak-
tadır. Ancak, elde edilen WAMI görüntülerinin yapısından
Şekil 1. Resimde yüksek çözünürlüklü bir WAMI görüntüsü ve farklı
kaynaklanan zorluklar sebebiyle WAMI kullanımı çok bölgelerinin daha yakınlaştırılmış halleri görülmektedir.
etkin bir şekilde gerçekleştirilememektedir. Burada WAMI
görüntüleri ve uygulamalarından bahsedilecek, özellikle
WAMI görüntüleri üzerinde hareketli nesnelerin tespit ve resmi örneğini göstermektedir. 8 Kameradan oluşan bir
takibi uygulamaları incelenecektir. WAMI sensöründe her bir kamera yaklaşık olarak 11
I. G IRI Ş megapiksellik görüntüler üretmektedir. Bu kameralarin
birleştirilmiş görüntüsü ise yaklaşık 80 megapiksellik
Geniş Alanlı Hareketli Görüntüleme (Wide Area Mo- bir görüntü oluşturur [1]. ARGUS-IS gibi daha yeni
tion Imagery - WAMI) sayesinde, genellikle hava araçları sensörlerde bu büyüklük 1.8 gigapiksel olabilmektedir.
üzerine yerleştirilmiş çoklu kameralar vasıtasıyla yer- Bu büyüklüklerde görüntülerin incelenmesinde yeni
yüzünde çok geniş alanların gözetlenmesi sağlanabil- bir bakış açısı gerektirmektedir. Bir şehrin yukarıdan
mektedir. Bu görüntüleme tekniği Geniş Alanlı Havadan sürekli olarak gözetlendiğini düşünürsek, oluşan görün-
Gözetleme (Wide Area Aerial Surveillance - WAAS), tülerde binlerce hareketli nesne zamansal ve uzamsal
Geniş Alanlı Sürekli Gözetleme (Wide Area Persistent olarak birbiriyle ilişkili olaylar oluşturur. Bu büyüklükte
Surveillance - WAPS) veya Geniş Görüş Alanlı Görün- hareketli görüntüler üzerinde çoklu nesnelerin tanınması,
tüleme (Wide Field-of-View Imaging- WFOV) olarak da izlenmesi, takip edilmesi algoritmik ve hesaplama açısın-
adlandırılmaktadır [1], [2]. WAMI sensörleri 6, 8 veya dan çok önemli zorluklar oluşturmaktadır [1].
daha çok miktarda elektro-optik kameranın bir matris ya-
pısında ve kapsadıkları alanlar bindirmeli olacak şekilde II. WAMI’ NIN Z ORLUKLARI
yerleştirilmesi ile oluşturulmaktadır. Her bir kameradan WAMI görüntülerin çekilme tekniğinden kaynaklanan
alınan görüntü birleştirilerek tek bir büyük görüntü elde yapısı nedeniyle, normal dar görüş açılı kameralarla
edilmektedir. Bu görüntüler genellikle 0.5 m/piksel se- çekilen görüntülere göre işlenmesinde ve kullanılma-
viyesinde olmakla birlikte, daha yeni olan sensörlerde sında bazı zorluklar bulunmaktadır. Öncelikle görüntü-
çözünürlük 0.2 m/piksel altına düşmüştür [3]. Görüntü- lerin yer yüzey koordinatlarıyla eşleştirilmesi gerekmek-
leme hızı ise 2 fps olmaktadır [4]. Şekil 1 bir WAMI tedir (georegistration). Bu işlem ilave bir işlem basamağı
oluşturmakta ve birden fazla kameradan elde edilen
görüntülerin yer eşleştirmesi ve bunların birleştirilmesi
birlikte ilave bir zorluk katmanı oluşturmaktadır. Bu
görüntüler üzerinde çoğunlukla nesnelerin tespit ve ta-
kip edilmesini gerektirenler önemli uygulamalar olara
öne çıkmaktadır. Bu tür görüntüler nesnelerin tespit
ve takip edilmesinde de önemli zorlukları bünyesinde
barındırmaktadır. Öncelikle bu görüntülerdeki nesneler
resim çerçevesinin tamamına göre çok küçük bir alanı
kaplamaktadır. Örneğin hareketli bir araç yaklaşık olarak
20 piksellik bir alanı kapsar. Bu durum hem tespit hem
de takip konusunda önemli bir zorluk olarak karşımıza
çıkmaktadır. Nesnelerin takibindeki diğer önemli zorluk
da paralaks etkisi (parallax effect) dediğimiz durumdur.
Bu durum kameranın bulunduğu platformun hareketli ol-
masından kaynaklanmaktadır. Bu hareketten dolayı nes-
nelerin resim çerçeveleri üzerindeki görüntüsü değişime
uğramaktadır. Bu da paralaks etkisi dediğimiz durumu
ortaya çıkarmaktadır.
III. WAMI V ERI S ETLERI
WAMI görüntülerin elde edilmesi genellikle çok zor
ve maliyetli olmaktadır. Bunun bir çok sebebi vardır.
Öncelikle, bu tür görüntüleri elde etmek için kullanılan
sensörler kolayca elde edilebilen herkesin kullanımına
uygun sensörler değildirler. Bu tür sensörler genellikle
özel olarak üretilmekte ve yüksek maliyetli olmaktadır.
Diğer bir zorluk ise bu sensörlerin kullanılmasıyla ala-
kalıdır. Bu sensörler kullanılarak yer yüzünün görüntü-
lerinin alınması için orta ve yüksek irtifalardan uzun
süreler boyunca bir uçan platform üzerinde çalıştırıl-
maları gerekmektedir. Bu şekilde görüntüler genellikle
askeri veya özel maksatlı insanlı veya insansız plat-
formlar üzerinden alınmaktadır. Bu şekilde elde edilmiş
görüntüler ise genel maksat kullanıma açılmamaktadır.
Bu sebeplerden dolayı WAMI üzerinde gerçekleştirilen
akademik çalışmalar için oluşturulmuş çok fazla veri seti
bulunmamaktadır. Genel kullanıma açık az miktardaki
WAMI veri setleri ve özellikleri kısaca aşağıda özetlen-
miştir.
A. VIVID Dataset
VIVID veri seti [5] DARPA VIVID (Video Veri-
fication of Identity) programı kapsamında hazırlanmış
görüntülerden oluşmaktadır. DARPA VIVID programı-
nın nihai hedefi, insansız hava araçları için otomatik
ve video-tabanlı yer hedefleme sistemi geliştirmektir.
Bu programın parçalarından birisi de çoklu hedef takip
sistemi olmuştur. Bu sistemin ana fonksiyonu çoklu
hedefleri otomatik olarak takip etmektir. VIVID veri
seti bu programın geliştirilmesi için oluşturulmuş, yerde
hareket eden askeri ve sivil araçlardan oluşan video
görüntülerini içermektedir. Ancak, bu görüntüler düşük
irtifadan çekilmiş ve tek bir kamera ile kayıt edilmiş
görüntülerdir. Bu yüzden bu veri setini WAMI sınıfında
kabul edemeyiz. WAMI’de olduğu gibi çok geniş yer-
yüzü alanını kapsayan görüntüler değildir. Sadece küçük
bir görme alanına sahip görüntüleri içermektedir.
B. CLIF Dataset [6], [7]
Columbus Large Image Format (CLIF) olarak isim-
lendirilen veri seti Amerikan Hava Kuvvetleri Araştırma
Laboratuvarı (Air Force Research Laboratory - AFRL)
tarafından sağlanan bir veri setidir. 2 Satır, 3 sütunluk
bir matris yapısında düzenlenmiş altı adet elektro-optik
monokrom kameradan oluşan bir sensör kullanılarak
görüntüler elde edilmiştir. Kameralar geniş bir alanı
kapsayacak şekilde ve bindirmeli olarak yerleştirilmiştir.
Böylece altı kameradan eş zamanlı elde edilen resimler
tek bir resim oluşturacak şekilde birleştirilebilmektedir.
Görüntüler 2 Hz. örnekleme frekansına sahiptir. Yani gö-
rüntüler saniyede 2 resim çerçevesi (fps) olacak şekilde
kaydedilmiştir.
CLIF 2006 ve CLIF 2007 olmak üzere iki farklı veri
seti bulunmaktadır. CLIF 2006 setinde her bir kameradan
4095 görüntü olmak üzere toplam 24564 görüntü yer
almaktadır. CLIF 2007 setinde ise her bir kameradan
16117 görüntü, toplamda 96702 görüntü bulunmaktadır.
C. WPAFB 2009 Dataset [8]
Aynı CLIF veri setinde olduğu gibi WPAFB 2009 veri
seti de AFRL tarafından sağlanan bir veri setidir. Bu veri
seti de CLIF veri setinin üretilmesi için kullanılan sensör
kullanılarak elde edilmiştir. Bu veri setinde CLIF veri
setinden farklı olarak altı kameradan elde edilen resimler
NITF 2.1 formatında birleştirilmiş ve etiketlenmiş olarak
sunulmaktadır. Bu veri seti toplam 1537 birleştirilmiş
görüntüden oluşmaktadır.
IV. WAMI Ü ZERINDE N ESNE T ESPIT VE TAKIBI
WAMI üzerinde birçok farklı uygulama alanı bulun-
maktadır. Ancak, yapılan çalışmalar ve gerçekleştirilen
uygulamalar çoğunlukla nesne tespit ve takip uygula-
malarıdır. Nesne tespiti tekli veya çoklu, çoğunlukla
hareketli nesnelerin tespiti üzerinedir. Nesne tespit ve
takip uygulamalarında çoğunlukla şehir içerisinde araç-
ların tespit ve takip edilmesi gerçekleştirilmeye çalışıl-
maktadır. WAMI üzerinde hareketli nesne tespiti, trafik
izleme, trafik planlama, şehir planlama, sürücü davranış
analizi, şehir güvenliği gibi bir çok farklı uygulama
alanına sahip önemli bir problemdir. Sommer et al. [9]
bu konuda yapılmış 10 farklı çalışma incelenmekte ve
bu çalışmalardaki yöntemlerin karşılaştırmalı bir özeti
sunularak, hareketli nesne tespiti için arkaplan çıkarımı
ve piksel komşuluğunu dikkate alarak görüntü hizalama
hatalarının bastırılmasının birleşiminden oluşan yeni bir
hareketli nesne tespit yöntemi de bu çalışma ile sunul-
maktadır.
Genel olarak hareketli nesne tespitinde üç temel yak-
laşım kullanılmaktadır. Bu yaklaşımlar arkaplan çıkarma
(background subtraction), çerçeve farkları (frame dif-
ferencing) ve optik akış (optical flow) yöntemleridir.
Arkaplan çıkarma tekniği mevcut resimdeki pikseller ile
arkaplan modeli arasındaki piksel değerlerinin farklarını
kullanmaktadır. Çerçeve farkları yönteminde arka arkaya
gelen iki veya üç resim çerçevesi arasındaki piksel değer-
lerinin farklarına bakar. Optik akış yöntemleri ise resim
çerçevesindeki hareketli nesnelerin akış vektörlerini he-
saplayarak hareketli nesneleri tespit eder. Optik akışa da-
yalı hareketli nesne tespit yöntemleri WAMI görüntüleri
için uygulanabilir değildir [10]. Bu çalışma ile önerilen
yöntem WPAFB veri seti kullanılarak gerçekleştirilen
deneylerde diğer 10 yöntemle karşılaştırılmış, sonuçta
önerilen yöntemin diğer yöntemlere göre daha yüksek
başarım sunduğu gösterilmiştir.
WAMI üzerinde nesne tespit edilmesini genel olarak
bu nesnelerin takip edilmesi izler. Reilly et al. [11] ile
yukarıda WAMI için sıralanan zorlukların üstesinden ge-
lebilen, medyan arkaplan modelleme tekniğini kullanan
bir yöntem önermekte ve önerilen bu yöntem CLIF veri
seti kullanılarak test edilmektedir. Kullanılan yöntem
hizalama (registration), medyan arkaplan çıkarma tabanlı
nesne tespit, gradyan baskılama, hareket tespiti ve izleme
aşamalarından oluşmaktadır.
LaLonde ve diğerleri [12] tarafından gerçekleştiri-
len çalışmada Derin Konvolusyonel Yapay Sinir Ağı
(DCNN) kullanılarak WPAFB 2009 veri seti üzerinde
çoklu nesne tespiti gerçekleştirilmektedir. Bu çalışmada
bu maksatla bir fully CNN modeli kullanılmaktadır.
Yapılan çalışma ile önerilen FCNN yapısının en gelişmiş
tekniklere göre çok daha iyi bir başarım elde ettiği
gösterilmektedir.
Normal görüntülerde çok iyi başarım elde eden ge-
lişmiş genel maksatlı nesne tespit sistemlerinin çoğu
WAMI üzerinde aynı başarımı gösterememektedir. Bu
şekildeki birçok yöntem görünümü temel alan yöntem-
lerdir. Bu yöntemler etiketli nesne örneklerinden nes-
nelerin nasıl göründüğünü öğrenerek video çerçevele-
rinde bu nesneleri bulmaya çalışırlar. Bu tür yöntem-
lerin WAMI üzerinde başarısız olmasının temelde üç
ana sebebi sıralanmaktadır. Birincisi, WAMI üzerinde
nesneler normal görüntülerdeki nesnelere göre çok daha
küçük bir alan kapsamaktadır. Örneğin, WPAFB 2009
veri setinde yer alan araçlar ortalama olarak 9x18 pik-
sellik alan kaplamaktadır. Bu durum nesnelerin tanı-
nabilmesi için kullanılabilecek veri miktarını minimize
etmektedir. İkinci olarak, WAMI’deki yüksek çerçeve
büyüklüğü (gigapiksel seviyesinde) arama uzayının çok
büyük olmasına sebep olmaktadır. Ayrıca birinci mad-
dedeki sebepten dolayı olası nesnelerin yerini tahmin
etmek için kullanılan ve normal resimlerde iyi sonuç
veren nesne yeri öneri teknikleri burada çok küçük alan
kaplayan nesneler için iyi tahminler yapamamaktadır.
Üçüncü neden ise eğitim seti ile ilgilidir. Nesnelerin
görünüş özelliklerini kullanan, derin öğrenme tabanlı bu
nesne tespit yöntemleri eğitim için çok büyük miktarda
etiketli veriye ihtiyaç duymaktadır. Havadan çekilmiş
WAMI görüntüleri için yeterince veri olmasına karşın,
bunların etiketlenmesi ve referans olarak kullanılacak
doğrulama verilerini üretmek çok külfetli ve zor bir
süreç olduğundan eğitim için kullanılabilecek yeterince
büyük bir set oluşturulamamıştır. Bu sebeplerden dolayı
WAMI üzerinde şimdiye kadarki en etkin nesne tespit
yöntemleri arkaplan çıkarımı ve çerçeve farklarını kulla-
nan hareket tabanlı yöntemler olmuştur.
Hareket tabanlı yöntemlerin de bazı dezavantajları bu-
lunmaktadır. Birinci dezavantajı nesnelerin görünüşünü
dikkate almamasıdır. İkinci önemli sorun ise video çerçe-
velerinin doğru hizalanmasına bağlı olmalarıdır. Çerçeve
hizalamadaki en küçük bir hata sonuçta çok daha hatalı
çıktılara sebep olmaktadır. Üçüncü dezavantaj ise birden
fazla çerçevedeki verileri etkin bir şekilde kullanmak için
bir mekanizma sunmamalarıdır. LaLonde ve diğerleri
tarafından gerçekleştirilen bu çalışmada birden fazla vi-
deo çerçevesini aynı anda kullanarak hem görünüş, hem
de hareket verilerini etkin kullanabilen bir CNN yapısı
önerilmektedir.
Yapılan çalışma ile önerilen yöntem 13 farklı akade-
mik çalışma ile karşılaştırılmaktadır. Sonuçları karşılaş-
tırmak için, elde edilen kesinlik (precision), duyarlılık
(recall) ve F-1 puanları (F1-score) irdelenmiştir. Yapılan
karşılaştırmaya göre önerilen yöntem çok daha iyi bir
başarım ortaya koymaktadır.
Bu çalışmayı takiben, yine LaLonde ve diğerleri [13]
tarafından gerçekleştirilen diğer bir çalışma ile yuka-
rıda özetlenen yapı öncesine bir de ilgi alanı öneri ağı
(Regions Of OBjects of Interest - ROOBI) eklenmiştir.
Önerilen bu derin CNN yapısı ile çok geniş bir alanı
kapsayan büyük WAMI görüntüsü üzerinde olası hare-
ketli araçların bulunduğu bölgeler tespit edilerek araçlar
tespit edilmek üzere önceki çalışmada geliştirilen CNN
yapısına gönderilmektedir. Yazarlar sonraki çalışmada
eklenen ROOBI ağını ClusterNet, önceki çalışmada ge-
liştirilen araç tespit ve takip işini gerçekleştiren CNN
ağını ise FoveaNet olarak isimlendirmişlerdir.
Sonuç olarak bu iki çalışma ile her biri farklı bir CNN
yapısından oluşan iki aşamalı bir veri akışı oluşturulmuş-
tur. Birinci aşamada oluşturulan ClusterNet CNN yapısı
ile her bir video çerçevesindeki hareketli araçların olası
yerlerini bulmak maksadıyla çerçeve üzerinde detaylı
inceleme yapılmak üzere daha küçük çerçeveler çıkar-
tılmaktadır. İkinci aşamada ise birinci aşamada önerilen
inceleme çerçeveleri üzerinde FoveaNet CNN yapısı
kullanılarak hareketli araçlar tespit ve takip edilmektedir.
Uzkent ve diğerleri [14] yaptıkları çalışmada WAMI
üzerinde nesne takibi için Kernelized Correlation Filter
(KCF) ve derin Convolutional Neural Network (CNN)
kavramlarını birleştirerek Deep Hyperspectral Kerneli-
zed Correlation Filter olarak isimlendirdikleri mimariyi
ortaya koymaktadırlar. Bu çalışmada WAMI sensörleri
elde edilmiş görüntüler hiperspektral verilerle birleştiri-
lerek daha başarılı bir izleme gerçekleştirilmeye çalışıml-
maktadır. Bu maksatla Rochester Institute of Technology
Multiobject Spectrometer (RITMOS) [15], [16] konsepti
izlenerek kullanılan WAMI görüntüler için hiperspektral
veriler elde edilmekte ve bunlar AlexNet CNN mi-
marisinin optimize edilmiş bir çeşidi olan ZFNet ile
oluşturulan CNN yapısında kullanılmaktadır. Yazarlar
burada DIRSIG (Digital Imaging and Remote Sensing)
yazılımı [17] kullanarak sentetik bir hiperspektral video
üreterek geliştirdikleri takip sistemini bu veri üzerinde
eğitmekte, arkasından da CLIF [6], [7] ve WPAFB
[8] veri setlerinden alınmış gerçek WAMI görüntüleri
üzerinde deneme yapmışlardır. Önerilen takip sistemi ile
kendi oluşturdukları sentetik görüntüler üzerinde % 80
hassasiyet sağlandığı rapor edilmektedir. Oluşturulan bu
sentetik veri seti ile eğitilen CNN ile WAMI örnekleri
üzerinde % 92 hassasiyet elde edildiği rapor edilmiştir.
WAMI üzerinde araç pozisyonu tahmini ile araçların
izlenmesi için kullanılabilecek ilave bilgiler üretilebil-
mektedir. Bir araç izlenirken ardışık iki çerçevedeki
görünüş ve hızı da genellikle dikkate alınır. Eğer iki
görünüş birbiriyle uyumlu ve hız da hareket modeli ile
tutarlı ikisinin aynı araç olduğu kabul edilir. Burada araç
görünüşünün aynı olması demek araç pozisyonunun ardı-
şık çerçevelerde birbiri ile uyumlu olması anlamına gelir.
Sonuç olarak araç pozisyonu bilgisi izleme işine ilave
bilgi sağlamaktadır. Yi ve diğerlerinin [18] çalışmasında
WAMI görüntüleri üzerinde araç pozisyonu tahmini için
derin konvolüsyonel yapay sinir ağı (DCNN) kullanılmış.
Önerilen CNN mimarisi iki tane konvolüsyon katmanın-
dan oluşmakta. Her bir konvolüsyon katmanı içerisinde
havuzlama ve normalizasyon katmanları da bulunmakta.
Konvolüsyon katmanlarını takip eden bir tam bağlantılı
katman, indirgeme katmanı ve son tam bağlantılı katman
ile birlikte toplam dokuz katmandan oluşan bir yapıya
sahip. Söz konusu çalışmada kullanılan CNN yapısı, ar-
kaplan ile araç görüntüsü arasındaki benzerlik ve farkları
dikkate alan bir yöntem ile karşılaştırılmakta ve elde
edilen sonuçlara göre önerilen CNN yapısı ile daha iyi
pozisyon tahmini elde edilmektedir.
K AYNAKLAR
[1] K. Palaniappan, R. M. Rao, and G. Seetharaman, “Wide-Area
Persistent Airborne Video: Architecture and Challenges,” in
Distributed Video Sensor Networks (B. Bhanu, ed.), ch. 24,
pp. 349–371, 2011.
[2] G. Robinson and D. Zhang, “Object Detection in Wide Area
Aerial Surveillance Imagery with Deep Convolutional Net-
works,” None, 2016.
[3] Sebastian Anthony, “DARPA shows off 1.8-gigapixel surveil-
lance drone, can spot a terrorist from 20,000 feet,” 2013. Last
accessed: 10.01.2019.
[4] R. Porter, A. M. Fraser, and D. Hush, “Wide-area motion
imagery,” IEEE Signal Processing Magazine, vol. 27, no. 5,
pp. 56–65, 2010.
[5] R. Collins, X. Zhou, and S. K. Teh, “An Open Source Tracking
Testbed and Evaluation Web Site,” in IEEE International Works-
hop on Performance Evaluation of Tracking and Surveillance
(PETS 2005), vol. 5, January 2005.
[6] Air Force Research Laboratory, “Columbus Large Image Format
- CLIF 2006 Dataset,” 2006. Last accessed: 20.12.2018.
[7] Air Force Research Laboratory, “Columbus Large Image Format
- CLIF 2007 Dataset,” 2007. Last accessed: 20.12.2018.
[8] Air Force Research Laboratory, “Wrigth Patterson Air Force
Base 2009 (WPAFB 2009) Dataset,” 2009. Last accessed:
20.12.2018.
[9] L. W. Sommer, M. Teutsch, T. Schuchert, and J. Beyerer,
“A survey on moving object detection for wide area motion
imagery,” 2016 IEEE Winter Conference on Applications of
Computer Vision, WACV 2016, 2016.
[10] C. Aeschliman, J. Park, and A. C. Kak, “Tracking vehicles th-
rough shadows and occlusions in wide-area aerial video,” IEEE
Transactions on Aerospace and Electronic Systems, vol. 50,
no. 1, pp. 429–444, 2014.
[11] V. Reilly, H. Idrees, and M. Shah, “Detection and tracking of
large number of targets in wide area surveillance,” in European
conference on computer vision, pp. 186–199, Springer, 2010.
[12] R. LaLonde, D. Zhang, and M. Shah, “Fully Convolutional
Deep Neural Networks for Persistent Multi-Frame Multi-Object
Detection in Wide Area Aerial Videos,” arXiv preprint ar-
Xiv:1704.02694, vol. 1, 2017.
[13] R. LaLonde, D. Zhang, and M. Shah, “ClusterNet: Detecting
Small Objects in Large Scenes by Exploiting Spatio-Temporal
Information,” ArXiv eprints, 2017.
[14] B. Uzkent, A. Rangnekar, and M. J. Hoffman, “Tracking in
Aerial Hyperspectral Videos using Deep Kernelized Correlation
Filters,” IEEE Transactions on Geoscience and Remote Sensing,
vol. 57, pp. 449–461, Jan 2019.
[15] R. D. Meyer, K. J. Kearney, Z. Ninkov, C. T. Cotton, P. Ham-
mond, and B. D. Statt, “Ritmos: a micromirror-based multi-
object spectrometer,” in Ground-based Instrumentation for Ast-
ronomy, vol. 5492, pp. 200–220, International Society for
Optics and Photonics, 2004.
[16] B. Uzkent, Real-time Aerial Vehicle Detection and Tracking
using a Multi-modal Optical Sensor. Rochester Institute of
Technology, 2016.
[17] S. D. B. Emmett J. Ientilucci, “Advances in wide-area hypers-
pectral image simulation,” in Proceedings of SPIE, vol. 5075,
2003.
[18] M. Yi, D. Wang, F. Yang, J. Xu, Y. Cai, E. Blasch, C. Sheaff,
G. Chen, and H. Ling, “Vehicle pose estimation in wami
imagery via deep convolutional neural networks,” in Aerospace
and Electronics Conference (NAECON) and Ohio Innovation
Summit (OIS), 2016 IEEE National, pp. 233–240, IEEE, 2016.