論文の概要: Hybrid acoustic and pretrained embedding feature fusion for unmanned aerial vehicle detection using stacking ensemble learning under a leakage-aware evaluation protocol

• arxiv url: http://arxiv.org/abs/2611.04714v1
• Date: Tue, 03 Nov 2026 11:36:38 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:59:04.643585
• Title: Hybrid acoustic and pretrained embedding feature fusion for unmanned aerial vehicle detection using stacking ensemble learning under a leakage-aware evaluation protocol
• Title（参考訳）: 漏洩認識評価プロトコルを用いた積み重ねアンサンブル学習による無人航空機検出のためのハイブリッド音響・事前学習型埋込み機能融合
• Abstract要約: 公開DroneAudioDataset(11,704秒)のバイナリタスクについて検討した。 1,332本のドローン・クリップは、7枚の録音から257個の5秒のチャンクからできており、非ドローン・クリップの96.4%はESC-50サウンドデータセットの一部である。
• 参考スコア（独自算出の注目度）: 0.7880536261408863
• License:
• Abstract: Small multirotor drones produce a characteristic acoustic signature, and microphones offer a low-cost way to detect them. High accuracies have been reported on public drone audio benchmarks, often with random clip-level splits of datasets built from a few long recordings and pieces of existing sound collections, so pieces of one source can appear in both training and test data. We study the binary task of the public DroneAudioDataset (11,704 one-second clips). Its 1,332 drone clips come from 257 five-second chunks of 7 recordings, and 96.4% of its non-drone clips are pieces of the 2,000 clips of the ESC-50 sound dataset. A grouped, source-disjoint protocol (five folds, three repeats) is compared with a random split. Each clip is described by 57 hand-crafted acoustic descriptors, reduced by a hybrid minimum-redundancy maximum-relevance and ReliefF selection or by NSGA-II multi-objective search, and by a 1024-dimensional embedding from the pretrained YAMNet network. Random Forest and XGBoost learners on both views form a stacking ensemble. Under the grouped protocol, the two-view stack reached a mean accuracy of 95.29% (SD 1.62 points over 15 test folds), a specificity of 98.29% and an area under the ROC curve of 0.990, and it correctly classified 98.78% of unseen ESC-50 source clips as non-drone. The random split overstated accuracy by 1.89 to 3.22 points for the four models. Adding YAMNet embeddings to the hand-crafted view raised accuracy by 1.11 points (higher in 12 of 15 folds). Hybrid selection matched the accuracy of all 44 baseline descriptors with 16 to 18 features, and NSGA-II retained 4 to 6 features at lower accuracy. The stack took 51.0 ms per clip on one CPU thread. Source-disjoint evaluation is needed for a fair benchmark on this dataset, and fusing hand-crafted descriptors with pretrained embeddings gives a small but consistent gain at modest computational cost.
• Abstract（参考訳）: 小型のマルチロータドローンは特徴的な音響シグネチャを生成し、マイクロフォンはそれらを検出するための低コストな方法を提供する。 パブリックなドローンオーディオベンチマークでは高い精度が報告されており、多くの場合、いくつかの長い録音と既存の音声コレクションから構築されたランダムなクリップレベルのデータセットの分割によって、トレーニングデータとテストデータの両方に1つのソースの一部が表示される。 公開DroneAudioDataset(11,704秒)のバイナリタスクについて検討した。 1,332本のドローン・クリップは、7枚の録音から257枚の5秒のチャンクからできており、非ドローン・クリップの96.4%はESC-50サウンドデータセットの2000本のクリップの一部である。 グループ化されたソース結合プロトコル(5つの折りたたみ、3つのリピート)をランダムスプリットと比較する。 各クリップは、57個の手作り音響ディスクリプタで記述され、最小冗長度とリリーフFのハイブリッド選択、NSGA-II多目的探索、事前訓練されたYAMNetネットワークからの1024次元の埋め込みにより縮小される。 Random ForestとXGBoostの両ビューの学習者は、積み重ねアンサンブルを形成する。 グループ化されたプロトコルの下では、2ビュースタックの平均精度は95.29%(SD 1.62ポイントは15のテストフォールド)、特異性は98.29%、ROC曲線以下の領域は0.990となり、ECC-50ソースクリップの98.78%を非ドローンとして正しく分類した。 ランダムスプリットは4つのモデルの精度を1.89から3.22ポイント上回った。 手作りのビューにYAMNetの埋め込みを追加すると、精度は1.11ポイント向上した。 ハイブリッドセレクションは16～18の特徴を持つ44のベースラインディスクリプタの精度と一致し、NSGA-IIは4～6の特徴を低い精度で保持した。 スタックは1つのCPUスレッドで1クリップあたり51.0msであった。 このデータセットの公平なベンチマークにはソース・ディジョイントの評価が必要であり、事前訓練された埋め込みで手作りのディスクリプタを融合させることで、控えめな計算コストで小さいが一貫した利得が得られる。

関連論文リスト

• Semantically Rich, Metrically Affect-Blind: A Geometric Blind Spot in Modern Text Embedders [0.0]
  Sentiment-Injected Sentence Embeddings (SISE) は、CPU上の数秒間、凍結エンコーダ上に小さな(0.13M-0.69M-パラメータ)教師付きヘッドをトレーニングする。 我々はCPU再生可能なパイプラインと再利用可能な診断ツールであるAttribute Alignment Gapをリリースする。
  論文  参考訳（メタデータ） (2026-10-23T03:50:48Z)
• RXSynth: A Seed-Grounded Corpus for Studying Java Runtime-Exception Bugs [4.902956965439]
  既存のJavaのバグベンチマークは、実行時例外検出を研究するための限定的なメソッドレベルのデータを提供する。 RX Synthは4,275の合成Javaメソッドペアのコーパスで、実際のバグ/フィックスの例から生成される。
  論文  参考訳（メタデータ） (2026-10-17T22:56:07Z)
• Long-Range Indirect Control-Flow Prediction in Stripped Binaries via Dual Virtual Hubs and Multi-Task Graph Learning [44.79384874347874]
  本稿では,長い範囲のIDF予測を行う統合フレームワークICFlowNetを提案する。 ICFlowNetは、候補を意識したDual Virtual Hubs、Global Code Hub、Global Data Hubを導入している。 また,パッケージレベルの分割,関数レベルのmnemonic-hash重複,クリーンなテストプロトコルを備えた,リーク対応のノイズ制御パイプラインを開発した。
  論文  参考訳（メタデータ） (2026-09-03T02:17:23Z)
• Can Foundation Models Hear What Made That Sound? A Tiered Benchmark of Audio-Language Models and Traditional Classifiers for Closed-Set Sound Source Identification [0.37331950863394864]
  11種類の音声分類法をベンチマークする。 我々は,2,242本以上のクリップをクローズドセットした音源識別タスクで評価した。 最も優れたモデルであるGemini-3.1-Pro-Previewは85.6%のカテゴリーレベルのF1と56.7%の微粒なF1に達する。
  論文  参考訳（メタデータ） (2026-08-03T15:39:57Z)
• Fretiq: Browser-Native Electric Guitar String Classification via Engineered Spectral Features and Held-Out Free-Play Evaluation [0.0]
  Fretiqは、プリミティブなシングルストラクチャ、シングルプレイヤーのブラウザベースの文字列分類システムである。 97.1%のシャッフルフレームレベルの検証精度を322,215フレームで達成している。 システムは、ヘキサフォニックピックアップ、フレットボードセンサー、カメラ、マルチマイクロフォンのセットアップを必要とせずに、完全にブラウザ内で動作する。
  論文  参考訳（メタデータ） (2026-07-17T03:06:07Z)
• Systematic Exploration of 4-Expert Heterogeneous Mixture-of-Experts via Automated Pipeline Search [44.70501115891534]
  不均一な4-Expert Mixture-of-Experts (MoE4) のための自動探索パイプラインを提案する。 パイプラインは197バッチで4,463の候補モデルを生成し、1,021が成功した。 キャンペーンから重要な発見が現れた:イタトールによるアルファベット順列挙による。
  論文  参考訳（メタデータ） (2026-06-21T13:43:27Z)
• MSAVBench: Towards Comprehensive and Reliable Evaluation of Multi-Shot Audio-Video Generation [88.7702943548674]
  マルチショットオーディオビデオ生成のための,初の総合的なベンチマークと適応型ハイブリッド評価フレームワークであるMSAVBenchを紹介する。 私たちのベンチマークでは、ビデオ、オーディオ、ショット、参照の4つの重要な領域にまたがっており、多様なタスク設定、最大15のショット数、非現実的なシナリオに挑戦しています。 MSAVBenchは人間の判断と高度に一致し、スピアマンのランク相関は91.5%に達する。
  論文  参考訳（メタデータ） (2026-05-19T17:59:33Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
  Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。 このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。 本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:14:20Z)
• Learnable Conformal Prediction with Context-Aware Nonconformity Functions for Robotic Planning and Perception [4.694504497452662]
  Learnable Conformal Predictionは、固定スコアを軽量なニューラル関数に置き換えて、コンテキスト認識の不確実性セットを生成する。 CPの理論的保証を維持しつつ、予測セットのサイズを18%減らし、検出間隔を52%減らし、経路計画の安全性を72%から91%に改善し、オーバーヘッドを最小限に抑えている。 ハードウェア評価では、LCPは1%未満のメモリと15.9%の推論オーバーヘッドを追加したが、検出タスクでは39 FPSを維持し、アンサンブルの7.4倍のエネルギー効率を保っている。
  論文  参考訳（メタデータ） (2025-09-26T06:44:58Z)

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。