論文の概要: Sound-based drone fault classification using multitask learning

• arxiv url: http://arxiv.org/abs/2304.11708v1
• Date: Sun, 23 Apr 2023 17:55:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 16:56:34.765274
• Title: Sound-based drone fault classification using multitask learning
• Title（参考訳）: マルチタスク学習を用いた音響ベースドローン故障分類
• Authors: Wonjun Yi, Jung-Woo Choi and Jae-Woo Lee
• Abstract要約: 本稿では,DNN断層分類器とドローン音声データセットを提案する。 データセットは、無響室の3つの異なるドローンに搭載されたマイクからドローンの操作音を収集することで構築された。 得られたデータセットを用いて、短時間の入力波形から機械的故障の種類とその位置を分類する分類器である1DCNN-ResNetを訓練する。
• 参考スコア（独自算出の注目度）: 7.726132010393797
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The drone has been used for various purposes, including military applications, aerial photography, and pesticide spraying. However, the drone is vulnerable to external disturbances, and malfunction in propellers and motors can easily occur. To improve the safety of drone operations, one should detect the mechanical faults of drones in real-time. This paper proposes a sound-based deep neural network (DNN) fault classifier and drone sound dataset. The dataset was constructed by collecting the operating sounds of drones from microphones mounted on three different drones in an anechoic chamber. The dataset includes various operating conditions of drones, such as flight directions (front, back, right, left, clockwise, counterclockwise) and faults on propellers and motors. The drone sounds were then mixed with noises recorded in five different spots on the university campus, with a signal-to-noise ratio (SNR) varying from 10 dB to 15 dB. Using the acquired dataset, we train a DNN classifier, 1DCNN-ResNet, that classifies the types of mechanical faults and their locations from short-time input waveforms. We employ multitask learning (MTL) and incorporate the direction classification task as an auxiliary task to make the classifier learn more general audio features. The test over unseen data reveals that the proposed multitask model can successfully classify faults in drones and outperforms single-task models even with less training data.
• Abstract（参考訳）: このドローンは、軍事用途、航空写真、殺虫剤散布など、様々な用途に使用されている。 しかし、このドローンは外部の障害に弱いため、プロペラやモーターの故障は容易に起こり得る。 ドローンの安全性を高めるために、ドローンの機械的欠陥をリアルタイムで検出する必要がある。 本稿では,dnn(sound-based deep neural network)障害分類器とドローン音響データセットを提案する。 データセットは、無響室の3つの異なるドローンに搭載されたマイクからドローンの動作音を収集して構築された。 データセットには、飛行方向(前、後ろ、右、左、時計回り、反時計回り)やプロペラやモーターの故障など、ドローンのさまざまな運用条件が含まれている。 ドローンの音は、大学のキャンパスの5箇所で録音されたノイズと混合され、信号対雑音比(SNR)は10dBから15dBに変化した。 得られたデータセットを用いて、短時間の入力波形から機械的故障の種類とその位置を分類するDNN分類器である1DCNN-ResNetを訓練する。 我々は、マルチタスク学習(MTL)を採用し、方向分類タスクを補助タスクとして組み込んで、より一般的な音声特徴を学習させる。 unseenデータによるテストでは、提案されたマルチタスクモデルは、ドローンの障害をうまく分類し、少ないトレーニングデータでもシングルタスクモデルよりも優れています。

関連論文リスト

• Obfuscated Location Disclosure for Remote ID Enabled Drones [57.66235862432006]
  RID対応ドローン(OLO-RID)の難読化位置情報開示法を提案する。 実際のドローンの位置を開示する代わりに、OLO-RIDを装備したドローンは、モバイルシナリオで異なるプライベートな難解な場所を開示する。 OLO-RIDはまた、暗号化された位置情報でRIDメッセージを拡張し、認証されたエンティティによってのみアクセスすることができる。
  論文  参考訳（メタデータ） (2024-07-19T12:35:49Z)
• Drone-type-Set: Drone types detection benchmark for drone detection and tracking [0.6294091730968154]
  本稿では,認識された物体検出モデルとの比較とともに,各種ドローンのデータセットを提供する。 異なるモデルの実験結果と各手法の記載が提供される。
  論文  参考訳（メタデータ） (2024-05-16T18:56:46Z)
• Chasing the Intruder: A Reinforcement Learning Approach for Tracking Intruder Drones [0.08192907805418582]
  本研究では、チェッカードローンを用いて侵入者ドローンを識別・追跡するための強化学習に基づくアプローチを提案する。 提案手法は、強化学習の政策学習フレームワークにインターリーブされたコンピュータビジョン技術を用いている。 その結果、強化学習に基づくポリシーは、侵入者ドローンを識別・追跡するために収束していることがわかった。
  論文  参考訳（メタデータ） (2023-09-10T16:31:40Z)
• Multi-model fusion for Aerial Vision and Dialog Navigation based on human attention aids [69.98258892165767]
  本稿では,2023年ICCV会話史のための航空航法課題について述べる。 本稿では,人間注意支援型トランスフォーマモデル(HAA-Transformer)と人間注意支援型LSTMモデル(HAA-LSTM)の融合訓練方法を提案する。
  論文  参考訳（メタデータ） (2023-08-27T10:32:52Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Unauthorized Drone Detection: Experiments and Prototypes [0.8294692832460543]
  本稿では、受信信号強度インジケータ(RSSI)と、ドローンの位置座標から生成された暗号鍵の2段階検証を利用する、新しい暗号化ベースのドローン検出方式を提案する。
  論文  参考訳（メタデータ） (2022-12-02T20:43:29Z)
• TransVisDrone: Spatio-Temporal Transformer for Vision-based Drone-to-Drone Detection in Aerial Videos [57.92385818430939]
  視覚的フィードを用いたドローンからドローンへの検知は、ドローンの衝突の検出、ドローンの攻撃の検出、他のドローンとの飛行の調整など、重要な応用がある。 既存の手法は計算コストがかかり、非エンドツーエンドの最適化に追随し、複雑なマルチステージパイプラインを持つため、エッジデバイス上でのリアルタイムデプロイメントには適さない。 計算効率を向上したエンドツーエンドのソリューションを提供する,シンプルで効果的なフレームワークであるitTransVisDroneを提案する。
  論文  参考訳（メタデータ） (2022-10-16T03:05:13Z)
• Sequence Models for Drone vs Bird Classification [2.294014185517203]
  ドローンのコストが減少し、ドローン技術が向上するにつれ、ドローン検出はオブジェクト検出において重要な課題となっている。 コントラストが弱く、距離が長く、視界が低い場合、遠方のドローンを検知することは困難である。 検出されたドローントラックの偽陽性比を低減するために,いくつかのシーケンス分類アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-07-21T11:00:44Z)
• 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)
• Scarce Data Driven Deep Learning of Drones via Generalized Data Distribution Space [12.377024173799631]
  GAN(Generative Adversarial Network)を通じて、ドローンデータの一般的な分布を理解することで、不足したデータを取得して、迅速かつ正確な学習を実現することができることを示す。 我々は、実際のドローン画像とコンピュータ支援設計のシミュレーション画像の両方を含むドローン画像データセット上で、我々の結果を実証した。
  論文  参考訳（メタデータ） (2021-08-18T17:07:32Z)
• Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
  本稿では,他の飛行ドローンからドローンを検知する問題に対処する。 ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。 これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-03-31T17:43:31Z)

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。