Drohne Erkennung mit Hochfrequenzsignalen und Deep-Learning-Modellen ist ein Open-Source Papier von Xuanze Dai.
Der weit verbreitete Einsatz von Drohnen wirft erhebliche Sicherheits-, Umwelt-, Datenschutz- und ethische Bedenken auf, so dass eine wirksame Drohnenerkennung von entscheidender Bedeutung ist. Derzeit werden verschiedene Methoden zur Erkennung von Drohnen eingesetzt, z. B. drahtlose Signalerkennung, photoelektrische Erkennung, Radarerkennung und Schallerkennung. Diesen Methoden mangelt es jedoch häufig an der für eine genaue Drohnenidentifizierung erforderlichen Präzision. Um diese Herausforderung zu bewältigen, sind robustere Erkennungsverfahren erforderlich. Außerdem erfordern unterschiedliche Drohnentypen und Anwendungsszenarien maßgeschneiderte Erkennungs- und Identifizierungsansätze.
In dieser Studie wurde die Leistung verschiedener Modelle für maschinelles Lernen, Deep Learning und Multi-Tasking auf einem offenen Hochfrequenzsignal-Datensatz (RF) für 2-, 4- und 10-Klassen-Probleme verglichen. Durch die Integration von RF-Methoden mit Convolutional Neural Networks (CNNs) entwickelte der Autor ein Multi-Task-Modell für Drohne Erkennung und Klassifizierung. Die experimentellen Ergebnisse zeigen, dass das XGBoost-Modell mit 99,96% für das 2-Klassen-Problem, 92,31% für das 4-Klassen-Problem und 74,81% für das 10-Klassen-Problem eine außergewöhnliche Genauigkeit erreicht hat, was es zum leistungsfähigsten Modell für die Drohnenerkennung und -klassifizierung in diesem bahnbrechenden Datensatz macht.
Datum der Veröffentlichung- März 2024
Die Drohnenerkennung mit Hochfrequenzsignalen und Deep-Learning-Modellen umfasst die folgenden Hauptabschnitte:
- Einführung
- Verwandte Arbeiten
- Datensatz Beschreibung
- Methoden
- Ergebnisse
- Schlussfolgerung
Post Image Credit- envatoelements von lzf
