論文の概要: Noise2Weight: On Detecting Payload Weight from Drones Acoustic Emissions
- arxiv url: http://arxiv.org/abs/2005.01347v1
- Date: Mon, 4 May 2020 09:44:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 01:41:15.849591
- Title: Noise2Weight: On Detecting Payload Weight from Drones Acoustic Emissions
- Title（参考訳）: 騒音2重量:ドローンのアコースティックエミッションからペイロード重量を検出する
- Authors: Omar Adel Ibrahim, Savio Sciancalepore, Roberto Di Pietro
- Abstract要約: 本稿では,商用ドローンが積載するペイロードの重量をリモートで検出する可能性について検討する。
我々は、異なるペイロードを運ぶためにドローンが必要とする推力の違いを特徴付け、関連する音響指紋のかなりのバリエーションをもたらす。
ドローンが搭載する特定のペイロードクラスの検出において,最小98%の分類精度を達成した。
- 参考スコア（独自算出の注目度）: 4.38301148531795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The increasing popularity of autonomous and remotely-piloted drones have
paved the way for several use-cases, e.g., merchandise delivery and
surveillance. In many scenarios, estimating with zero-touch the weight of the
payload carried by a drone before its physical approach could be attractive,
e.g., to provide an early tampering detection.
In this paper, we investigate the possibility to remotely detect the weight
of the payload carried by a commercial drone by analyzing its acoustic
fingerprint. We characterize the difference in the thrust needed by the drone
to carry different payloads, resulting in significant variations of the related
acoustic fingerprint. We applied the above findings to different use-cases,
characterized by different computational capabilities of the detection system.
Results are striking: using the Mel-Frequency Cepstral Coefficients (MFCC)
components of the audio signal and different Support Vector Machine (SVM)
classifiers, we achieved a minimum classification accuracy of 98% in the
detection of the specific payload class carried by the drone, using an
acquisition time of 0.25 s---performances improve when using longer time
acquisitions.
All the data used for our analysis have been released as open-source, to
enable the community to validate our findings and use such data as a
ready-to-use basis for further investigations.
- Abstract（参考訳）: 無人機や遠隔操縦ドローンの普及は、商品の配達や監視など、いくつかのユースケースの道を開いた。
多くのシナリオでは、物理的アプローチが魅力的になる前に、ドローンが積んだペイロードの重さをゼロタッチで推定し、早期の改ざん検出を提供する。
本稿では,商用ドローンが搭載するペイロードの重量を音響指紋解析によりリモートで検出する可能性について検討する。
我々は、異なるペイロードを運ぶためにドローンが必要とする推力の違いを特徴付け、関連する音響指紋の大幅な変化をもたらす。
上記の知見を異なるユースケースに適用し,検出システムの計算能力の差異を特徴とした。
その結果,音声信号のMel-Frequency Cepstral Coefficients (MFCC) 成分と異なるサポートベクトルマシン (SVM) 分類器を用いて,ドローンが搭載する特定のペイロードクラスの検出において最小98%の分類精度を達成した。
分析に使用されるデータはすべてオープンソースとして公開され、コミュニティが私たちの発見を検証し、さらなる調査のために使用可能なベースとして使用できるようにしています。
関連論文リスト
- Drone Acoustic Analysis for Predicting Psychoacoustic Annoyance via Artificial Neural Networks [0.0]
本研究は,種々の深層学習モデルの心理音響障害予測における有効性を検討することによって,先行研究を基礎にしている。
本研究の目的は、ドローン騒音の理解を深め、騒音低減技術の開発を支援し、公共空間でのドローン使用の受け入れを促進することである。
論文 参考訳（メタデータ） (2024-10-29T16:38:34Z) - DroBoost: An Intelligent Score and Model Boosting Method for Drone Detection [1.2564343689544843]
ドローン検出は、画像の可視性や品質が好ましくないような、困難な物体検出タスクである。
私たちの仕事は、いくつかの改善を組み合わせることで、以前のアプローチを改善します。
提案された技術は、Drone vs. Bird Challengeで1位を獲得した。
論文 参考訳（メタデータ） (2024-06-30T20:49:56Z) - A Two-Dimensional Deep Network for RF-based Drone Detection and
Identification Towards Secure Coverage Extension [7.717171534776764]
時間領域情報と周波数領域情報の両方を含む生信号から2次元特徴を抽出するために,ショートタイムフーリエ変換を用いる。
次に、ResNet構造で構築された畳み込みニューラルネットワーク(CNN)を用いて、マルチクラス分類を実現する。
実験の結果,提案したResNet-STFTは,拡張データセット上でより精度が高く,より高速に収束できることがわかった。
論文 参考訳（メタデータ） (2023-08-26T15:43:39Z) - Small Object Detection using Deep Learning [0.28675177318965034]
提案システムは,高速物体検出モデル(YOLO)のフレーバーであるTiny YOLOv3(Tiny YOLOv3)を構築・使用した。
提案したアーキテクチャは、以前のYOLOバージョンに比べて大幅に性能が向上している。
論文 参考訳（メタデータ） (2022-01-10T09:58:25Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-11-17T21:48:31Z) - A dataset for multi-sensor drone detection [67.75999072448555]
近年,小型・遠隔操作無人航空機(UAV)の使用が増加している。
ドローン検出に関するほとんどの研究は、取得デバイスの種類、ドローンの種類、検出範囲、データセットを特定することに失敗している。
我々は、赤外線および可視ビデオとオーディオファイルを含むドローン検出のための注釈付きマルチセンサーデータベースにコントリビュートする。
論文 参考訳（メタデータ） (2021-11-02T20:52:03Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。
元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。
私たちのコードは、将来的な比較作業のためにオープンソースにされます。
論文 参考訳（メタデータ） (2021-07-01T08:58:16Z) - An Autonomous Drone for Search and Rescue in Forests using Airborne
Optical Sectioning [0.0]
密閉された森林に完全自律的に人々を発見できる最初のプロトタイプを紹介します。
様々な森林タイプで実施された17のフィールド実験で、ドローンは42人の隠れた人のうち38人を見つけた。
深層学習に基づく人物分類は、1次元合成開口内でのスパースや誤差の少ないサンプリングでは影響を受けない。
論文 参考訳（メタデータ） (2021-05-10T13:05:22Z) - Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。
提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
論文 参考訳（メタデータ） (2021-03-23T19:45:26Z) - Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。
UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文 参考訳（メタデータ） (2020-09-16T11:37:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。