Fugu-MT 論文翻訳(概要): A Two-Dimensional Deep Network for RF-based Drone Detection and Identification Towards Secure Coverage Extension

論文の概要: A Two-Dimensional Deep Network for RF-based Drone Detection and Identification Towards Secure Coverage Extension

arxiv url: http://arxiv.org/abs/2308.13906v1
Date: Sat, 26 Aug 2023 15:43:39 GMT
ステータス: 処理完了
システム内更新日: 2023-08-29 18:18:55.594823
Title: A Two-Dimensional Deep Network for RF-based Drone Detection and Identification Towards Secure Coverage Extension
Title（参考訳）: RF型ドローン検出のための2次元ディープネットワークと安全被覆拡大に向けた同定
Authors: Zixiao Zhao, Qinghe Du, Xiang Yao, Lei Lu, and Shijiao Zhang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 7.717171534776764
License: http://creativecommons.org/licenses/by/4.0/
Abstract: As drones become increasingly prevalent in human life, they also raises security concerns such as unauthorized access and control, as well as collisions and interference with manned aircraft. Therefore, ensuring the ability to accurately detect and identify between different drones holds significant implications for coverage extension. Assisted by machine learning, radio frequency (RF) detection can recognize the type and flight mode of drones based on the sampled drone signals. In this paper, we first utilize Short-Time Fourier. Transform (STFT) to extract two-dimensional features from the raw signals, which contain both time-domain and frequency-domain information. Then, we employ a Convolutional Neural Network (CNN) built with ResNet structure to achieve multi-class classifications. Our experimental results show that the proposed ResNet-STFT can achieve higher accuracy and faster convergence on the extended dataset. Additionally, it exhibits balanced performance compared to other baselines on the raw dataset.
Abstract（参考訳）: ドローンが人間の生活でますます普及するにつれて、不正アクセスや制御、有人航空機との衝突や干渉といったセキュリティ上の懸念も高まる。したがって、異なるドローン間で正確に検知および識別できることは、カバレッジ拡張に重要な意味を持つ。機械学習によって、無線周波数(RF)検出は、サンプルされたドローン信号に基づいて、ドローンのタイプと飛行モードを認識することができる。本稿では,まず短時間フーリエを利用する。時間領域情報と周波数領域情報の両方を含む原信号から2次元特徴を抽出する変換(STFT)。次に,resnet構造を組み込んだ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行う。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。さらに、生データセット上の他のベースラインと比較して、バランスの取れたパフォーマンスを示す。

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)
C2FDrone: Coarse-to-Fine Drone-to-Drone Detection using Vision Transformer Networks [23.133250476580038]
衝突回避、敵のドローン対策、捜索救助活動など、さまざまな用途において、視覚に基づくドローンからドローンまでの検出システムは不可欠である。ドローンの検出には、小さなオブジェクトのサイズ、歪み、リアルタイム処理要求など、ユニークな課題がある。本稿では,視覚変換器に基づく粗大な検出手法を提案する。
論文参考訳（メタデータ） (2024-04-30T05:51:21Z)
Multi-Stage Fusion Architecture for Small-Drone Localization and Identification Using Passive RF and EO Imagery: A Case Study [0.1872664641238533]
本研究では、受動無線周波数(RF)と電気光学(EO)画像データを用いた多段階融合アーキテクチャを開発する。教師なしの深層学習に基づく手法と、教師なしの地上/後方分離手法を探索し、挑戦的な環境に対処する。提案した融合アーキテクチャを検証し,その範囲で追跡性能を定量化する。
論文参考訳（メタデータ） (2024-03-30T22:53:28Z)
Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文参考訳（メタデータ） (2024-03-12T01:28:00Z)
DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for CAVs [11.15939066175832]
妨害攻撃は5Gネットワークに重大なリスクをもたらす。本研究は, CAVネットワークにおけるジャマー検出のための, 深層学習に基づく新しい手法を提案する。提案手法は, 余剰低妨害電力の96.4%検出率を実現する。
論文参考訳（メタデータ） (2024-03-05T04:29:31Z)
YOLO-Ant: A Lightweight Detector via Depthwise Separable Convolutional and Large Kernel Design for Antenna Interference Source Detection [8.184096371244175]
本稿では,アンテナ干渉源検出のための軽量CNNと変圧器ハイブリッド検出器であるYOLO-Antを紹介する。本稿では,ネットワークの機能抽出能力を高めるために,奥行き分離可能な畳み込みと大きな畳み込みカーネルに基づくDSLK-Blockモジュールを提案する。アンテナ検出における複雑な背景やクラス間の違いといった課題に対処するため,DSLKVit-Blockを構築した。
論文参考訳（メタデータ） (2024-02-20T01:35:23Z)
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)
Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文参考訳（メタデータ） (2022-05-22T12:16:43Z)
Integral Migrating Pre-trained Transformer Encoder-decoders for Visual Object Detection [78.2325219839805]
imTEDは、数発のオブジェクト検出の最先端を最大7.6%改善する。 MS COCOデータセットの実験は、imTEDが一貫してそのデータセットを2.8%上回っていることを示している。
論文参考訳（メタデータ） (2022-05-19T15:11:20Z)
Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文参考訳（メタデータ） (2021-10-22T20:49:02Z)
From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
論文参考訳（メタデータ） (2021-08-24T13:25:02Z)

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。