論文の概要: Drone Detection Using a Low-Power Neuromorphic Virtual Tripwire

• arxiv url: http://arxiv.org/abs/2509.12997v1
• Date: Tue, 16 Sep 2025 12:08:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:53.071965
• Title: Drone Detection Using a Low-Power Neuromorphic Virtual Tripwire
• Title（参考訳）: 低出力ニューロモルフィック仮想トリップワイヤを用いたドローン検出
• Authors: Anton Eldeborg Lundin, Rasmus Winzell, Hanna Hamrell, David Gustafsson, Hannes Ovrén,
• Abstract要約: 小型ドローンは、軍人と民間のインフラの両方にとって脅威となっている。 スパイクニューラルネットワークとニューロモルフィックカメラを使ってドローンを検知するシステムを開発した。
• 参考スコア（独自算出の注目度）: 3.697194144254579
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Small drones are an increasing threat to both military personnel and civilian infrastructure, making early and automated detection crucial. In this work we develop a system that uses spiking neural networks and neuromorphic cameras (event cameras) to detect drones. The detection model is deployed on a neuromorphic chip making this a fully neuromorphic system. Multiple detection units can be deployed to create a virtual tripwire which detects when and where drones enter a restricted zone. We show that our neuromorphic solution is several orders of magnitude more energy efficient than a reference solution deployed on an edge GPU, allowing the system to run for over a year on battery power. We investigate how synthetically generated data can be used for training, and show that our model most likely relies on the shape of the drone rather than the temporal characteristics of its propellers. The small size and low power consumption allows easy deployment in contested areas or locations that lack power infrastructure.
• Abstract（参考訳）: 小型ドローンは、軍人と民間のインフラの両方にとってますます脅威となり、早期かつ自動検出が重要になる。 本研究では、スパイクニューラルネットワークとニューロモルフィックカメラ(イベントカメラ)を用いてドローンを検知するシステムを開発する。 検出モデルはニューロモルフィックチップ上に展開され、完全にニューロモルフィックシステムとなる。 複数の検知ユニットを配置して仮想トリップワイヤを作成し、ドローンが制限区域に入った時と場所を検出する。 我々のニューロモルフィックソリューションは、エッジGPU上にデプロイされた参照ソリューションよりも数桁のエネルギー効率で、システムに1年以上のバッテリ電力を供給できることが示されています。 我々は, 人工的に生成したデータがどのようにトレーニングに利用できるかを調べ, そのモデルがプロペラの時間的特性よりも, ドローンの形状に依存している可能性が最も高いことを示す。 小型化と低消費電力化により、電力インフラを欠いた競合地域や場所での展開が容易になる。

関連論文リスト

• Training on the Fly: On-device Self-supervised Learning aboard Nano-drones within 20 mW [52.280742520586756]
  ナノドローンのような小さな機械学習(TinyML)を利用した小型サイバー物理システム(CPS)は、ますます魅力的な技術になりつつある。 単純な電子回路はこれらのCPSを安価にすることができるが、計算、メモリ、センサーの資源を著しく制限する。 本稿では,ナノドロンの限られた超低消費電力資源にのみ依存する,オンデバイスファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-06T13:11:36Z)
• 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)
• High-throughput Visual Nano-drone to Nano-drone Relative Localization using Onboard Fully Convolutional Networks [51.23613834703353]
  相対的なドローンとドローンのローカライゼーションは、どんなSwarm操作でも基本的なビルディングブロックである。 我々は、新しいビジョンベース完全畳み込みニューラルネットワーク(FCNN)に基づく垂直統合システムを提案する。 その結果,水平画像座標で32～47%,垂直画像座標で18～55%,実世界の30k画像のデータセットでR2乗改善が得られた。
  論文  参考訳（メタデータ） (2024-02-21T12:34:31Z)
• Deep Neural Network Architecture Search for Accurate Visual Pose Estimation aboard Nano-UAVs [69.19616451596342]
  小型無人航空機(UAV)は、新興かつトレンドのトピックである。 我々は、新しいニューラルネットワーク探索(NAS)技術を活用し、視覚的ポーズ推定タスクのために複数の畳み込みニューラルネットワーク(CNN)を自動的に識別する。 その結果,10Hz@10mWおよび50Hz@90mWの実時間オンボード推算速度を達成しつつ,フィールド内制御誤差を32%低減し,現状を改善できた。
  論文  参考訳（メタデータ） (2023-03-03T14:02:09Z)
• 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)
• DronePose: The identification, segmentation, and orientation detection of drones via neural networks [3.161871054978445]
  飛行中のドローンを完全に特徴付けるために,決定木とアンサンブル構造を用いたCNNを提案する。 我々のシステムは、ドローンの種類、方向(ピッチ、ロール、ヨー)を決定し、異なる身体部位を分類するためにセグメンテーションを行う。 また,高精度にラベル付けされた写真リアリスティックトレーニングデータを高速に生成するためのコンピュータモデルも提供する。
  論文  参考訳（メタデータ） (2021-12-10T12:34:53Z)
• 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。