論文の概要: Predicting UAV Type: An Exploration of Sampling and Data Augmentation for Time Series Classification

• arxiv url: http://arxiv.org/abs/2403.00565v1
• Date: Fri, 1 Mar 2024 14:43:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 17:05:03.462485
• Title: Predicting UAV Type: An Exploration of Sampling and Data Augmentation for Time Series Classification
• Title（参考訳）: UAV型予測:時系列分類のためのサンプリングとデータ拡張の探索
• Authors: Tarik Crnovrsanin, Calvin Yu, Dane Hankamer, and Cody Dunne
• Abstract要約: 無人航空機のタイプを知ることは、それが持ってくる潜在的なリスクを判断する上で、長い道のりを歩むことができる。 本稿では,無人航空機を四輪車,六輪車,固定翼車として分類する機械学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 7.109915278353603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned aerial vehicles are becoming common and have many productive uses. However, their increased prevalence raises safety concerns -- how can we protect restricted airspace? Knowing the type of unmanned aerial vehicle can go a long way in determining any potential risks it carries. For instance, fixed-wing craft can carry more weight over longer distances, thus potentially posing a more significant threat. This paper presents a machine learning model for classifying unmanned aerial vehicles as quadrotor, hexarotor, or fixed-wing. Our approach effectively applies a Long-Short Term Memory (LSTM) neural network for the purpose of time series classification. We performed experiments to test the effects of changing the timestamp sampling method and addressing the imbalance in the class distribution. Through these experiments, we identified the top-performing sampling and class imbalance fixing methods. Averaging the macro f-scores across 10 folds of data, we found that the majority quadrotor class was predicted well (98.16%), and, despite an extreme class imbalance, the model could also predicted a majority of fixed-wing flights correctly (73.15%). Hexarotor instances were often misclassified as quadrotors due to the similarity of multirotors in general (42.15%). However, results remained relatively stable across certain methods, which prompted us to analyze and report on their tradeoffs. The supplemental material for this paper, including the code and data for running all the experiments and generating the results tables, is available at https://osf.io/mnsgk/.
• Abstract（参考訳）: 無人航空機は一般的になり、多くの生産的用途がある。 しかし、その頻度の増加は、安全上の懸念を喚起する -- 制限空域をどうやって保護できるのか? 無人航空機の種類を知ることは、それが持つ潜在的なリスクを決定する上で、長い道のりを歩むことになる。 例えば、固定翼機は長い距離でより多くの重量を運ぶことができるため、より重大な脅威をもたらす可能性がある。 本稿では,無人航空機をクワッドローター,ヘキサローター,固定翼に分類する機械学習モデルを提案する。 本手法は時系列分類のためにLong-Short Term Memory(LSTM)ニューラルネットワークを効果的に適用する。 我々は,タイムスタンプサンプリング手法の変更とクラス分布の不均衡に対処する効果を検証する実験を行った。 これらの実験により,トップパフォーマンスサンプリング法とクラス不均衡固定法を同定した。 マクロf-scoreを10倍のデータで平均すると、大多数のクワッドロータークラスは98.16%と予測され、極端なクラス不均衡にもかかわらず、固定翼飛行の大多数(73.15%)を正しく予測できた。 ヘキサローターのインスタンスは、一般的にはマルチローターの類似性(42.15%)のため、しばしば四重項として誤分類された。 しかし、結果は特定の手法で比較的安定しており、その結果、私たちはそれらのトレードオフを分析し報告しました。 実験を全て実行し、結果表を生成するためのコードとデータを含む、この論文の補足資料はhttps://osf.io/mnsgk/で入手できる。

関連論文リスト

• Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
  CANデータからトラックの積載量の検出について検討する。 私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。 我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
  論文  参考訳（メタデータ） (2024-04-08T17:58:22Z)
• Confidence-aware Training of Smoothed Classifiers for Certified Robustness [75.95332266383417]
  我々は「ガウス雑音下での精度」を、入力に対する対角的ロバスト性の容易に計算可能なプロキシとして利用する。 実験の結果, 提案手法は, 最先端の訓練手法による信頼性向上を継続的に示すことがわかった。
  論文  参考訳（メタデータ） (2022-12-18T03:57:12Z)
• Detection and Mitigation of Byzantine Attacks in Distributed Training [24.951227624475443]
  ワーカノードの異常なビザンチン挙動は、トレーニングを脱線させ、推論の品質を損なう可能性がある。 最近の研究は、幅広い攻撃モデルを検討し、歪んだ勾配を補正するために頑健な集約と/または計算冗長性を探究している。 本研究では、強力な攻撃モデルについて検討する:$q$ omniscient adversaries with full knowledge of the defense protocol that can change from iteration to iteration to weak one: $q$ randomly selected adversaries with limited collusion abilities。
  論文  参考訳（メタデータ） (2022-08-17T05:49:52Z)
• Heterogeneous Ensemble Learning for Enhanced Crash Forecasts -- A Frequentest and Machine Learning based Stacking Framework [0.803552105641624]
  本研究では,都市および郊外の5車線未分割セグメント(5T)の衝突頻度をモデル化するために,重要なHEM手法の1つ,スタックリングを適用した。 Stackingの予測性能は、パラメトリック統計モデル(Poissonと負二項法)と機械学習技術の3つの状態(決定木、ランダム森林、勾配上昇)と比較される。
  論文  参考訳（メタデータ） (2022-07-21T19:15:53Z)
• Improving Solar Flare Prediction by Time Series Outlier Detection [1.0131895986034316]
  信頼性とモデルの性能の 異常値です 我々は、より弱いフレアの事例のうちの外れ値を検出するために、孤立林を用いている。 我々は,真のスキル統計の279%,ハイドケスキルスコアの68%を達成している。
  論文  参考訳（メタデータ） (2022-06-14T22:54:39Z)
• Smoothed Embeddings for Certified Few-Shot Learning [63.68667303948808]
  我々はランダムな平滑化を数ショットの学習モデルに拡張し、入力を正規化された埋め込みにマッピングする。 この結果は、異なるデータセットの実験によって確認される。
  論文  参考訳（メタデータ） (2022-02-02T18:19:04Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)
• Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty [54.88405167739227]
  本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。 さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。 軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-04-26T10:28:34Z)
• Optimal Transport as a Defense Against Adversarial Attacks [4.6193503399184275]
  敵対的攻撃は、訓練されたモデルを誤解させる画像に対して、人間の知覚できない摂動を見つけることができる。 従来の研究は、原画像と敵対画像の整合性をドメイン適応と同等に調整し、堅牢性を向上させることを目的としていた。 地上距離を忠実に反映した分布間の損失を用いることを提案する。 これによりSAT (Sinkhorn Adversarial Training) は敵の攻撃に対してより堅牢な防衛を行う。
  論文  参考訳（メタデータ） (2021-02-05T13:24:36Z)
• Robustness May Be at Odds with Fairness: An Empirical Study on Class-wise Accuracy [85.20742045853738]
  CNNは敵の攻撃に弱いことが広く知られている。 本稿では,対人訓練モデルのクラスワイド精度とロバスト性に関する実証的研究を提案する。 トレーニングデータセットが各クラスに同じ数のサンプルを持つ場合でも,精度と堅牢性にはクラス間差があることが判明した。
  論文  参考訳（メタデータ） (2020-10-26T06:32:32Z)

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。