Due to the increasing capability of drones and requirements to monitor remote areas, drone surveillance is becoming popular. In case of natural disaster, it can scan the wide affected-area quickly and make the search and rescue (SAR) faster to save more human lives. However, using autonomous drone for search and rescue is least explored and require attention of researchers to develop efficient algorithms in autonomous drone surveillance. To develop an automated application using recent advancement of deep-learning, dataset is the key. Fo this, a substantial amount of human detection and action detection dataset is required to train the deep-learning models. As dataset of drone surveillance in SAR is not available in literature, this paper proposes an image dataset for human action detection for SAR. Proposed dataset contains 2000 unique images filtered from 75,000 images. It contains 30000 human instances of different actions. Also, in this paper various experiments are conducted with proposed dataset, publically available dataset, and stat-of-the art detection method. Our experiments shows that existing models are not adequate for critical applications such as SAR, and that motivates us to propose a model which is inspired by the pyramidal feature extraction of SSD for human detection and action recognition Proposed model achieves 0.98mAP when applied on proposed dataset which is a significant contribution. In addition, proposed model achieve 7% higher mAP value when applied to standard Okutama dataset in comparison with the state-of-the-art detection models in literature.

由于无人机的能力不断增强，并且需要监视偏远地区，因此无人机监视变得越来越普遍。万一发生自然灾害，它可以快速扫描广泛的灾区，并加快搜救速度，以挽救更多的生命。然而，使用自主无人机进行搜索和救援的探索最少，需要研究人员关注以开发用于自主无人机监视的高效算法。要使用最新的深度学习技术开发自动化应用程序，数据集是关键。为此，训练深度学习模型需要大量的人体检测和动作检测数据集。由于SAR中的无人机监视数据集尚无文献资料，本文提出了一种用于SAR人体动作检测的图像数据集。提议的数据集包含从75,000张图像中筛选出的2000张独特图像。它包含30000个不同动作的人类实例。同样，在本文中，使用提议的数据集，公开可用的数据集和最新的检测方法进行了各种实验。我们的实验表明，现有模型不适用于SAR等关键应用，这促使我们提出一种模型，该模型受SSD的金字塔特征提取启发用于人体检测和动作识别的建议模型在应用于建议的数据集时可达到0.98mAP这是一个重大贡献。此外，与文献中的最新检测模型相比，将所提出的模型应用于标准Okutama数据集时，其mAP值提高了7％。它包含30000个不同动作的人类实例。同样，在本文中，使用提议的数据集，公开可用的数据集和最新的检测方法进行了各种实验。我们的实验表明，现有模型不适用于SAR等关键应用，这促使我们提出一种模型，该模型受SSD的金字塔特征提取启发用于人体检测和动作识别的建议模型在应用于建议的数据集时可达到0.98mAP这是一个重大贡献。此外，与文献中的最新检测模型相比，将所提出的模型应用于标准Okutama数据集时，其mAP值提高了7％。它包含30000个不同动作的人类实例。同样，在本文中，使用提议的数据集，公开可用的数据集和最新的检测方法进行了各种实验。我们的实验表明，现有模型不适用于SAR等关键应用，这促使我们提出一种模型，该模型受SSD的金字塔特征提取启发用于人体检测和动作识别的建议模型在应用于建议的数据集时可达到0.98mAP这是一个重大贡献。此外，与文献中的最新检测模型相比，将所提出的模型应用于标准Okutama数据集时，其mAP值提高了7％。和最先进的检测方法。我们的实验表明，现有模型不适用于SAR等关键应用，这促使我们提出一种模型，该模型受SSD的金字塔特征提取技术的启发而用于人体检测和动作识别。当应用于建议的数据集时，该模型可达到0.98mAP这是一个重大贡献。此外，与文献中的最新检测模型相比，将所提出的模型应用于标准Okutama数据集时，其mAP值提高了7％。和最先进的检测方法。我们的实验表明，现有模型不适用于SAR等关键应用，这促使我们提出一种模型，该模型受SSD的金字塔特征提取启发用于人体检测和动作识别的建议模型在应用于建议的数据集时可达到0.98mAP这是一个重大贡献。此外，与文献中的最新检测模型相比，将所提出的模型应用于标准Okutama数据集时，其mAP值提高了7％。将98mAP应用于建议的数据集时，这是一个很大的贡献。此外，与文献中的最新检测模型相比，将所提出的模型应用于标准Okutama数据集时，其mAP值提高了7％。将98mAP应用于建议的数据集时，这是一个很大的贡献。此外，与文献中的最新检测模型相比，将所提出的模型应用于标准Okutama数据集时，其mAP值提高了7％。