論文の概要: μDopplerTag: CNN-Based Drone Recognition via Cooperative Micro-Doppler Tagging

• arxiv url: http://arxiv.org/abs/2601.08042v1
• Date: Mon, 12 Jan 2026 22:23:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.754905
• Title: μDopplerTag: CNN-Based Drone Recognition via Cooperative Micro-Doppler Tagging
• Title（参考訳）: μDopplerTag: 協調マイクロドップラータグによるCNNによるドローン認識
• Authors: O. Yerushalimov, D. Vovchuk, A. Glam, P. Ginzburg,
• Abstract要約: カメラ、LiDAR、従来のレーダーシステムを含む現在の検知および分類技術は、しばしばドローンを確実に識別し識別するのに苦労する。 本稿では, ドローンブレードに取り付けられた共振電磁ステッカーによって符号化された, 人工マイクロドップラーシグネチャに基づく新しいドローン分類法を提案する。 我々は、生のレーダー信号を処理し、高い分類精度を実現することができる調整型畳み込みニューラルネットワーク(CNN)を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid deployment of drones poses significant challenges for airspace management, security, and surveillance. Current detection and classification technologies, including cameras, LiDAR, and conventional radar systems, often struggle to reliably identify and differentiate drones, especially those of similar models, under diverse environmental conditions and at extended ranges. Moreover, low radar cross sections and clutter further complicate accurate drone identification. To address these limitations, we propose a novel drone classification method based on artificial micro-Doppler signatures encoded by resonant electromagnetic stickers attached to drone blades. These tags generate distinctive, configuration-specific radar returns, enabling robust identification. We develop a tailored convolutional neural network (CNN) capable of processing raw radar signals, achieving high classification accuracy. Extensive experiments were conducted both in anechoic chambers with 43 tag configurations and outdoors under realistic flight trajectories and noise conditions. Dimensionality reduction techniques, including Principal Component Analysis (PCA) and Uniform Manifold Approximation and Projection (UMAP), provided insight into code separability and robustness. Our results demonstrate reliable drone classification performance at signal-to-noise ratios as low as 7 dB, indicating the feasibility of long-range detection with advanced surveillance radar systems. Preliminary range estimations indicate potential operational distances of several kilometers, suitable for critical applications such as airport airspace monitoring. The integration of electromagnetic tagging with machine learning enables scalable and efficient drone identification, paving the way for enhanced aerial traffic management and security in increasingly congested airspaces.
• Abstract（参考訳）: ドローンの迅速な配備は、空域管理、セキュリティ、監視に重大な課題をもたらす。 カメラ、LiDAR、従来のレーダーシステムを含む現在の検知および分類技術は、様々な環境条件下で、特に類似モデルのドローンを確実に識別し、区別するのに苦労することが多い。 さらに、低レーダ断面とクラッタは、正確なドローン識別をさらに複雑にする。 これらの制約に対処するため,ドローンブレードに取り付けられた共振電磁ステッカーによって符号化された人工マイクロドップラーシグネチャに基づく,新しいドローン分類手法を提案する。 これらのタグは、特徴的で構成固有のレーダーリターンを生成し、堅牢な識別を可能にする。 我々は、生のレーダー信号を処理し、高い分類精度を実現することができる調整型畳み込みニューラルネットワーク(CNN)を開発した。 43個のタグ配置を持つ無響室と、現実的な飛行軌道と騒音条件下での屋外の両方で大規模な実験を行った。 主成分分析(PCA)やUniform Manifold Approximation and Projection(UMAP)などの次元性低減技術は、コードの分離性と堅牢性に関する洞察を提供した。 以上の結果から,信号対雑音比が7dB以下のドローンの信頼性の高い分類性能を示し,高度監視レーダシステムによる長距離検出の可能性を示した。 予備射程推定は、空港の空域監視などの重要な用途に適した、数kmの潜在的運用距離を示す。 電磁タグと機械学習の統合により、スケーラブルで効率的なドローン識別が可能になり、ますます混雑する空域における航空交通管理とセキュリティを強化する道を開くことができる。

関連論文リスト

• AUDRON: A Deep Learning Framework with Fused Acoustic Signatures for Drone Type Recognition [1.8665975431697428]
  無人航空機(UAV)は、ロジスティクス、農業、監視、防衛など様々な分野にまたがっている。 アコースティックセンシングは、視覚やレーダーによる検出に対して、低コストで非侵襲的な代替手段を提供する。 本研究では,ドローン音検出のためのハイブリッドディープラーニングフレームワークであるAUDRONを紹介する。
  論文  参考訳（メタデータ） (2025-12-23T14:55:08Z)
• A Novel Unified Lightweight Temporal-Spatial Transformer Approach for Intrusion Detection in Drone Networks [0.24790748620223146]
  既存の侵入検知機構は、ドローンネットワークに必要な適応性、効率、一般化性を欠いていることが多い。 本稿では, TSLT-Netを提案する。TSLT-Netは, ドローンネットワークに特化して設計された, 軽量かつ統一化された時空間変圧器による侵入検知システムである。
  論文  参考訳（メタデータ） (2025-10-03T04:23:21Z)
• SpectraSentinel: LightWeight Dual-Stream Real-Time Drone Detection, Tracking and Payload Identification [0.0903415485511869]
  民間空域でのドローンの拡散は、緊急のセキュリティ上の懸念を引き起こしている。 2025年のVIPカップの課題に対応するため、我々は2ストリームのドローン監視フレームワークを提案する。 我々のアプローチでは、並列赤外(熱)および可視(RGB)データストリーム上に、独立してYou Only Look Once v11-nano (YOLOv11n)オブジェクト検出器をデプロイする。
  論文  参考訳（メタデータ） (2025-07-30T13:10:13Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
  本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。 提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。 本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
  論文  参考訳（メタデータ） (2024-05-07T20:44:48Z)
• Multi-stage Learning for Radar Pulse Activity Segmentation [51.781832424705094]
  無線信号認識は電子戦において重要な機能である。 電子戦システムでは、レーダパルス活動の正確な識別と位置決めが要求される。 ディープラーニングに基づくレーダーパルス活動認識法は、ほとんど未検討のままである。
  論文  参考訳（メタデータ） (2023-12-15T01:56:27Z)
• Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
  本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。 具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
  論文  参考訳（メタデータ） (2023-07-31T09:53:50Z)
• Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation [73.0103413636673]
  本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。 CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
  論文  参考訳（メタデータ） (2021-04-29T10:06:29Z)
• Dynamic Radar Network of UAVs: A Joint Navigation and Tracking Approach [36.587096293618366]
  新たな問題は、建物の後ろに隠れている無人小型無人航空機(UAV)を追跡することである。 本稿では,悪意のある標的のリアルタイムかつ高精度な追跡のためのUAVの動的レーダネットワークを提案する。
  論文  参考訳（メタデータ） (2020-01-13T23:23:09Z)

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。