論文の概要: Helicopter Track Identification with Autoencoder
- arxiv url: http://arxiv.org/abs/2103.04768v1
- Date: Wed, 3 Mar 2021 22:32:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 06:50:36.806628
- Title: Helicopter Track Identification with Autoencoder
- Title(参考訳): オートエンコーダを用いたヘリコプターのトラック識別
- Authors: Liya Wang, Panta Lucic, Keith Campbell, and Craig Wanke
- Abstract要約: 本研究では、ヘリコプターのフライトトラックデータの効果的なデータ表現を学ぶためのオートエンコーダの適用を検討する。
私達のテスト結果は有望です。
例えばPhoenix Deer Valley(DVT)空港では、オートエンコーダーはルールベースの方法で検出できるヘリコプターの22倍のヘリコプターを識別することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computing power, big data, and advancement of algorithms have led to a
renewed interest in artificial intelligence (AI), especially in deep learning
(DL). The success of DL largely lies on data representation because different
representations can indicate to a degree the different explanatory factors of
variation behind the data. In the last few year, the most successful story in
DL is supervised learning. However, to apply supervised learning, one challenge
is that data labels are expensive to get, noisy, or only partially available.
With consideration that we human beings learn in an unsupervised way;
self-supervised learning methods have garnered a lot of attention recently. A
dominant force in self-supervised learning is the autoencoder, which has
multiple uses (e.g., data representation, anomaly detection, denoise). This
research explored the application of an autoencoder to learn effective data
representation of helicopter flight track data, and then to support helicopter
track identification. Our testing results are promising. For example, at
Phoenix Deer Valley (DVT) airport, where 70% of recorded flight tracks have
missing aircraft types, the autoencoder can help to identify twenty-two times
more helicopters than otherwise detectable using rule-based methods; for Grand
Canyon West Airport (1G4) airport, the autoencoder can identify thirteen times
more helicopters than a current rule-based approach. Our approach can also
identify mislabeled aircraft types in the flight track data and find true types
for records with pseudo aircraft type labels such as HELO. With improved
labelling, studies using these data sets can produce more reliable results.
- Abstract(参考訳): 計算能力、ビッグデータ、アルゴリズムの進歩により、人工知能(AI)、特にディープラーニング(DL)への関心が高まっている。
dlの成功は主にデータ表現にかかっており、異なる表現はデータの背後にある異なる説明的要因を示すことができる。
ここ数年、DLで最も成功したストーリーは教師あり学習です。
しかしながら、教師付き学習を適用する上での課題のひとつは、データラベルの取得やノイズ、あるいは部分的にしか利用できないことだ。
人間は教師なしの方法で学習するので、自己指導型学習手法は近年多くの注目を集めている。
自己教師付き学習における支配的な力はオートエンコーダであり、複数の用途(例えば、データ表現、異常検出、異常)がある。
本研究は, 自動エンコーダを用いて, ヘリコプターの飛行トラックデータの効率的なデータ表現を学習し, ヘリコプターの飛行トラック識別を支援することを目的とした。
私たちのテスト結果は有望です。
例えばフェニックス・ディア・バレー(DVT)空港では、記録された飛行トラックの70%が航空機のタイプを欠いているため、オートエンコーダーはルールベースの手法で検出できるヘリコプターの22倍のヘリコプターを識別することができる。
提案手法では,フライトトラックデータ中の誤ラベル付き航空機の型を同定し,HELOなどの擬似航空機型ラベルを用いた真の型を見つける。
ラベル付けの改善により、これらのデータセットを用いた研究はより信頼性の高い結果が得られる。
関連論文リスト
- Intelligent Known and Novel Aircraft Recognition -- A Shift from
Classification to Similarity Learning for Combat Identification [0.7841783185186357]
本研究は,ノウン型に加えて,ノベル/アンノウン型航空機の正確な認識について論じる。
ヒトの専門家による戦闘識別と画像分類の伝統的な手法は、新しいクラスを特定するのに不足している。
我々の手法は、軍用と民間の幅広い航空機の特徴を明らかにするために類似性学習を利用する。
論文 参考訳(メタデータ) (2024-02-26T11:08:26Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Progressive Self-Distillation for Ground-to-Aerial Perception Knowledge
Transfer [28.214084837466025]
我々は、ドローンが飛行高度の異なる環境でどのように認識できるかという、現実的な問題はまだ検討されていない。
現在の半教師あり学習法は視点差では有効ではない。
本研究では、地上視点のラベル付きデータと飛行視点のラベル付きデータのみを用いて、ドローンの認識を可能にするプログレッシブ半教師付き学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-08-29T07:30:35Z) - Anomaly Detection for Unmanned Aerial Vehicle Sensor Data Using a
Stacked Recurrent Autoencoder Method with Dynamic Thresholding [0.3441021278275805]
本稿では,Long Short-Term Memory (LSTM) Deep Learning Autoencoderをベースとした,新しい動的しきい値決定アルゴリズムとUAVデータセットの異常検出のための重み付き損失関数を組み込んだシステムを提案する。
動的しきい値と重み付き損失関数は、精度関連性能指標と真の故障検出速度の両方において、標準静的しきい値法に有望な改善を示した。
論文 参考訳(メタデータ) (2022-03-09T14:16:14Z) - 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) - Deep Learning and Traffic Classification: Lessons learned from a
commercial-grade dataset with hundreds of encrypted and zero-day applications [72.02908263225919]
商業用DLトラフィック分類エンジンでの経験を共有します。
暗号化トラフィックから既知のアプリケーションや未知のゼロデイアプリケーションを特定します。
DLモデルに合わせ、最新技術よりも正確で軽量な新しい手法を提案します。
論文 参考訳(メタデータ) (2021-04-07T15:21:22Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳(メタデータ) (2021-01-16T23:45:02Z) - Autoencoding Features for Aviation Machine Learning Problems [0.0]
本研究では,航空学習問題に対する効果的な特徴を抽出するために,教師なし学習手法であるオートエンコーダについて検討した。
研究結果から,オートエンコーダは,フライトトラックデータに有効な特徴を自動的に抽出するだけでなく,効率的な深部清浄データを抽出し,データサイエンティストの作業量を削減できることが示唆された。
開発されたアプリケーションと技術は、現在および将来の機械学習研究の有効性を改善するために、航空コミュニティ全体と共有されている。
論文 参考訳(メタデータ) (2020-11-03T04:09:34Z) - 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) - Laplacian Denoising Autoencoder [114.21219514831343]
本稿では,新しいタイプの自動符号化器を用いてデータ表現を学習することを提案する。
勾配領域における潜伏クリーンデータを破損させて雑音入力データを生成する。
いくつかのビジュアルベンチマークの実験では、提案されたアプローチでより良い表現が学べることが示されている。
論文 参考訳(メタデータ) (2020-03-30T16:52:39Z)
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。