Drone détection qui combine des signaux radiofréquences et des modèles d'apprentissage profond est un projet open source papier par Xuanze Dai.

L'utilisation généralisée des drones soulève d'importantes préoccupations en matière de sécurité, d'environnement, de vie privée et d'éthique, ce qui rend indispensable une détection efficace de ces appareils. Diverses méthodes, telles que la détection par signaux sans fil, la détection photoélectrique, la détection radar et la détection acoustique, sont actuellement utilisées pour détecter les drones. Cependant, ces méthodes manquent souvent de la précision nécessaire à une identification exacte des drones. Pour relever ce défi, des techniques de détection plus robustes sont nécessaires. De plus, la diversité des types de drones et des scénarios d’application exige des approches de détection et d’identification sur mesure.

Cette étude a comparé les performances de différents modèles d’apprentissage automatique, d’apprentissage profond et multitâches sur un ensemble de données ouvertes de signaux radiofréquences (RF), dans le cadre de problèmes à 2, 4 et 10 classes. En intégrant des méthodes RF à des réseaux neuronaux convolutifs (CNN), l'auteur a développé un modèle multitâche pour drone détection et classification. Les résultats expérimentaux montrent que le modèle XGBoost a atteint une précision exceptionnelle, avec 99,96% pour le problème à 2 classes, 92,311 TP3T pour le problème à 4 classes et 74,811 TP3T pour le problème à 10 classes, ce qui en fait le modèle le plus performant pour la détection et la classification des drones sur cet ensemble de données révolutionnaire.

Date de publication- mars 2024

La détection des drones à l'aide de signaux radiofréquences et de modèles d'apprentissage profond comprend les grandes sections suivantes :

• Introduction
• Travaux connexes
• Description de l'ensemble de données
• Méthodes
• Résultats
• Conclusion

Crédit photo : envatoelements par lzf