論文の概要: Anomaly Detection of UAV State Data Based on Single-class Triangular
Global Alignment Kernel Extreme Learning Machine
- arxiv url: http://arxiv.org/abs/2302.09320v1
- Date: Sat, 18 Feb 2023 12:43:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 19:12:34.171914
- Title: Anomaly Detection of UAV State Data Based on Single-class Triangular
Global Alignment Kernel Extreme Learning Machine
- Title（参考訳）: 単クラス三角形グローバルアライメントカーネル極端学習マシンによるUAV状態データの異常検出
- Authors: Feisha Hu, Qi Wang, Haijian Shao, Shang Gao and Hualong Yu
- Abstract要約: 無人航空機(UAV)は広く使われ、軍用および民間の分野で多くの要求に応えている。
本研究では,無人機から収集した異常なデータを検知し,ドローンの安全性を向上させるアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 13.068075546963847
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unmanned Aerial Vehicles (UAVs) are widely used and meet many demands in
military and civilian fields. With the continuous enrichment and extensive
expansion of application scenarios, the safety of UAVs is constantly being
challenged. To address this challenge, we propose algorithms to detect
anomalous data collected from drones to improve drone safety. We deployed a
one-class kernel extreme learning machine (OCKELM) to detect anomalies in drone
data. By default, OCKELM uses the radial basis (RBF) kernel function as the
kernel function of the model. To improve the performance of OCKELM, we choose a
Triangular Global Alignment Kernel (TGAK) instead of an RBF Kernel and
introduce the Fast Independent Component Analysis (FastICA) algorithm to
reconstruct UAV data. Based on the above improvements, we create a novel
anomaly detection strategy FastICA-TGAK-OCELM. The method is finally validated
on the UCI dataset and detected on the Aeronautical Laboratory Failures and
Anomalies (ALFA) dataset. The experimental results show that compared with
other methods, the accuracy of this method is improved by more than 30%, and
point anomalies are effectively detected.
- Abstract（参考訳）: 無人航空機(UAV)は広く使われ、軍用および民間の分野で多くの要求に応えている。
アプリケーションシナリオの継続的な拡張と拡張により、UAVの安全性は常に課題となっている。
この課題に対処するために,ドローンから収集した異常なデータを検出するアルゴリズムを提案する。
ドローンデータ中の異常を検出するために,一級カーネル極端学習マシン(OCKELM)をデプロイした。
デフォルトでは、OCKELMはラジアル基底(RBF)カーネル関数をモデルのカーネル関数として使用する。
OCKELMの性能向上のために,RBFカーネルの代わりに三角形グローバルアライメントカーネル(TGAK)を選択し,UAVデータを再構成するためのFast Independent Component Analysis(FastICA)アルゴリズムを導入する。
以上の改良に基づき,新しい異常検出戦略であるFastICA-TGAK-OCELMを作成する。
最終的にUCIデータセットで検証され、航空実験室故障・異常(ALFA)データセットで検出される。
実験の結果, 他の手法と比較して, 本手法の精度は30%以上向上し, 点異常を効果的に検出できることがわかった。
関連論文リスト
- Robust Low-Cost Drone Detection and Classification in Low SNR Environments [0.9087641068861043]
ドローンを検知し、分類する能力について、様々な畳み込みニューラルネットワーク(CNN)を評価した。
本稿では,標準コンピュータ,ソフトウェア定義無線(SDR),アンテナを用いた低コストドローン検知システムについて紹介する。
論文 参考訳（メタデータ） (2024-06-26T12:50:55Z) - Clustering-based Learning for UAV Tracking and Pose Estimation [0.0]
本研究は,UAV追跡と2種類のLiDARを用いたポーズ推定のためのクラスタリングに基づく学習検出手法であるCL-Detを開発する。
まず、Livox AviaデータとLiDAR 360データのタイムスタンプを調整し、その後、関心のあるオブジェクト(OOI)のポイントクラウドを環境から分離します。
提案手法は,CVPR 2024 UG2+ Challengeの最終リーダーボードにおいて,競争力のあるポーズ推定性能を示し,第5位にランクインする。
論文 参考訳（メタデータ） (2024-05-27T06:33:25Z) - ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳（メタデータ） (2024-05-27T02:42:33Z) - SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳（メタデータ） (2024-03-08T16:14:54Z) - MMAUD: A Comprehensive Multi-Modal Anti-UAV Dataset for Modern Miniature
Drone Threats [37.981623262267036]
MMAUDは、ドローン検出、UAV型分類、軌道推定に焦点を当てて、現代の脅威検出手法における重要なギャップに対処する。
これは、熱とRGBを使用して特定のベタージュポイントでキャプチャされたデータセットよりも忠実度の高い実世界のシナリオに対処するための、ユニークな頭上の空中検出を提供する。
提案するモダリティは費用対効果が高く適応性が高いため,UAV脅威検出ツールの実験と実装が可能である。
論文 参考訳（メタデータ） (2024-02-06T04:57:07Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳（メタデータ） (2023-11-19T05:37:18Z) - 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) - 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) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳（メタデータ） (2020-09-16T15:52:04Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z)
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。