論文の概要: Compact convolutional neural networks for AI-based drone detection system
- arxiv url: http://arxiv.org/abs/2607.16455v1
- Date: Fri, 17 Jul 2026 18:55:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.153447
- Title: Compact convolutional neural networks for AI-based drone detection system
- Title（参考訳）: AIに基づくドローン検出システムのための小型畳み込みニューラルネットワーク
- Abstract要約: 現代の紛争における一対一のドローンの使用の増加は、コンパクトで信頼性の高い検知システムへの需要を生み出している。
本研究では,ドローン信号の自動検出における軽量畳み込みニューラルネットワークの利用について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing use of first-person-view drones in modern conflicts has created a demand for compact and reliable detection systems capable of operating in complex electromagnetic environments. These drones continuously transmit video signals through onboard video transmitters, generating radio-frequency emissions that can be exploited for early detection. This study investigates the use of lightweight convolutional neural networks for automated detection of drone signals captured by a software-defined radio-based electronic warfare framework. Samples are converted into rasterized time-domain images, providing a computationally efficient input representation suitable for embedded systems. Several custom model architectures were designed and benchmarked in terms of accuracy, model size, and inference performance using a dataset containing approximately 40,000 labeled images. In addition to offline testing, the models were integrated into a GNU Radio signal processing chain for real-time evaluation. The results show that compact models can achieve high detection accuracy while maintaining low computational requirements, making them suitable for embedded radio-frequency monitoring applications. Compared with existing spectrogram-based RF detection methods, the proposed approach eliminates frequency-domain preprocessing and achieves comparable accuracy with significantly reduced computational cost.
- Abstract（参考訳）: 現代の紛争における一対一のドローンの使用の増加は、複雑な電磁環境下で動作可能なコンパクトで信頼性の高い検知システムへの需要を生み出している。
これらのドローンは、オンボードのビデオ送信機を通じて連続的に映像信号を送信し、早期検出に利用することができる電波放射を生成する。
本研究は,ソフトウェア定義無線電子戦フレームワークによるドローン信号の自動検出における軽量畳み込みニューラルネットワークの利用について検討する。
サンプルはラスタ化時間領域に変換され、組込みシステムに適した計算効率の良い入力表現を提供する。
いくつかのカスタムモデルアーキテクチャは、約40,000のラベル付き画像を含むデータセットを使用して、精度、モデルサイズ、推論性能の点で設計、ベンチマークされた。
オフラインテストに加えて、モデルはリアルタイム評価のためにGNU Radio信号処理チェーンに統合された。
その結果,小型モデルは低計算条件を維持しつつ高い検出精度を達成でき,組込み電波モニタリングに適していることがわかった。
既存のスペクトログラムベースのRF検出手法と比較して、提案手法は周波数領域前処理を排除し、計算コストを大幅に削減して同等の精度を実現する。
関連論文リスト
- Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis [8.805162150763847]
本稿では,自己認識機構とリカレントニューラルネットワーク(RNN)に基づくオートエンコーダを統合する実験モデルを提案する。
本手法は, 時系列解析, プロセス・イン・フェイズ, および二次(I/Q)サンプルを用いて, ジャミング攻撃の可能性を示す不規則性を同定する。
モデルアーキテクチャは自己アテンション層で拡張され、RNNオートエンコーダの機能を拡張する。
論文 参考訳（メタデータ） (2024-11-05T07:01:15Z) - 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) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - 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) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Radar Image Reconstruction from Raw ADC Data using Parametric
Variational Autoencoder with Domain Adaptation [0.0]
本研究では,パラメータ制約付き変分オートエンコーダを提案し,レンジ角画像上でクラスタ化および局所化されたターゲット検出を生成する。
実際のレーダデータを用いて可能なすべてのシナリオにおいて,提案するニューラルネットワークをトレーニングする問題を回避すべく,ドメイン適応戦略を提案する。
論文 参考訳（メタデータ） (2022-05-30T16:17:36Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T22:25:10Z) - Convolutional Deep Denoising Autoencoders for Radio Astronomical Images [0.0]
我々は、最先端の電波望遠鏡の合成画像に、畳み込み復号化オートエンコーダ(Convolutional Denoising Autoencoder)と呼ばれる機械学習技術を適用した。
我々のオートエンコーダは、器用感度の限界でかすかな物体を識別し、抽出する複雑な画像を効果的に識別することができる。
論文 参考訳（メタデータ） (2021-10-16T17:08:30Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Real-Time Radio Technology and Modulation Classification via an LSTM
Auto-Encoder [29.590446724625693]
雑音の多い無線信号から安定かつロバストな特徴を自動的に抽出するLSTMデノケーションオートエンコーダに基づく学習フレームワークを提案する。
現実的な合成と無線データのオーバー・ザ・エアにより,提案手法が受信した無線信号を確実に効率的に分類できることが実証された。
論文 参考訳（メタデータ） (2020-11-16T21:41:31Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z)
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。