Giải pháp nâng cao xác suất nhận dạng đúng mục tiêu UAV ứng dụng trí tuệ nhân tạo
88 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.FEE.2023.105-110Từ khóa:
UAV; Kết nối tắt; Hàm mất mát; Nhận dạng mục tiêu ra đa; Học sâu.Tóm tắt
Trong bài báo này, chúng tôi đề xuất xây dựng một mô hình mạng nơ-ron có cấu trúc Residual-Inception kết hợp (đặt tên là RINet) và sử dụng hàm mất mát Focal Loss nhân trọng số trong quá trình huấn luyện để tiến hành nhận dạng mục tiêu ra đa dựa trong dataset RAD-DAR. Mô hình RINet kết hợp hàm mất mát đề xuất có độ chính xác nhận dạng mục tiêu trung bình là 98.72%, trong đó, xác suất nhận dạng đúng UAV lên đến 99.81%.
Tài liệu tham khảo
[1]. Research, G.V. “Commercial UAV Market Analysis By Product”, (FixedWing, Rotary Blade, Nano, Hybrid), By Application (Agriculture, Energy, Government, Media and Entertainment) In addition, Segment Forecasts to 2022. 2016. Available online: https://www.grandviewresearch.com/industry-analysis/commercialuavmarket (accessed on 24 April 2019)
[2]. X. Shi, C. Yang, W. Xie, C. Liang, Z. Shi, J. Chen, “Anti-drone system with multiple surveillance technologies: Architecture, implementation, and challenges”, IEEE Commun. Mag. 56, 68–74, (2018). DOI: https://doi.org/10.1109/MCOM.2018.1700430
[3]. B. Torvik, K. E. Olsen, and H. Griffiths,“Classification of birds and UAVs based on radar polarimetry”, IEEE Geoscience and Remote Sensing Letters, vol.13, no.9, pp.1305-1309, (2016). DOI: https://doi.org/10.1109/LGRS.2016.2582538
[4]. P. Zhang, L. Yang, G. Chen and G. Li, “Classification of drones based on micro-Doppler signatures with dual-band radar sensors”, inProc. 2017 Progress in Electromagnetics Research Symposium - Fall (PIERS - FALL), Singapore, pp. 638–643, (2017). DOI: https://doi.org/10.1109/PIERS-FALL.2017.8293214
[5]. I. Roldan, C.R. del Blanco, A. Duque de Quevedo, F. Ibañez Urzaiz, J. Gismero Menoyo, A. Asensio López, D. Berjón, F. Jaureguizar, N. García, “Dopplernet: a convolutional neural network for recognising targets in real scenarios using a persistent range–Doppler radar”, IET Radar Sonar Navig. 14 (4), 593–600, (2020). DOI: https://doi.org/10.1049/iet-rsn.2019.0307
[6]. Tsung-Yi Lin Pri “Focal Loss for Dense Object Detection” arXiv:1708.02002.
[7]. Ann Janeth Garcia, Ali Aouto, Jae-Min Lee, Dong-Seong Kim “CNN-32DC: An improved radar-based Drone recognition system based on Convolutional Neural Network”, ScienceDirect accepted (2022). DOI: https://doi.org/10.1016/j.icte.2022.04.012
[8]. Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich. “Going Deeper With Convolutions” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 1-9, (2015). DOI: https://doi.org/10.1109/CVPR.2015.7298594
[9]. Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun “Deep Residual Learning for Image Recognition” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 770-778, (2016).
[10]. Muhammad, W.; Bhutto, Z.; Ansari, A.; Memon, M.L.; Kumar, R.; Hussain, A.; Shah, S.A.R.; haheem, I.; Ali, S. “Multi-Path Deep CNN with Residual Inception Network for Single Image Super-Resolution”. Electronics, 10, 1979, (2021). https:// doi.org/10.3390/electronics10161979 DOI: https://doi.org/10.3390/electronics10161979
