在现代战场上引入空中无人机改变了作战行动,对地面军事行动构成了重大威胁。在安全场景中探测无人机至关重要。然而,基于机器学习(ML)的现代物体检测器很难检测到像无人机这样的小物体。

本论文提出了三个主要贡献:(a)数据和算法修改,以改进 YOLO 中的小物体检测,从而帮助无人机检测;(b)开发名为 DyViR 的基准无人机检测数据集;以及(c)实施可解释人工智能 (XAI),以确保决策透明、可信。

为了提高小物体检测的性能,我们在 ML 模型的损失函数中引入了归一化瓦瑟斯坦距离(NWD)。通过加入这一距离度量,我们可以有效地处理小物体检测问题,减少对小物体的惩罚,并适当平衡不同物体大小的重要性。这样,模型就能优先准确检测小物体,从而提高整体性能。

为了评估我们的算法,我们开发并测试了专门用于无人机检测研究的 DyViR 数据集。这个合成数据集为评估无人机检测性能提供了一个基准。

在作战环境中,人工智能系统的可信度至关重要,因为它们的决策会影响用户的生存。因此,我们实施了可解释的人工智能系统(XAI),特别是 Grad-CAM 和 Eigen-CAM,这些技术为模型的决策提供了解释,增加了开发人员和用户对系统的信任。

成为VIP会员查看完整内容
39

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《预测战术部队的未来目的地》2023最新55页论文
专知会员服务
42+阅读 · 2023年8月28日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
33+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
45+阅读 · 2009年12月31日
Arxiv
157+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
398+阅读 · 2023年3月31日
Arxiv
66+阅读 · 2023年3月26日
Arxiv
20+阅读 · 2023年3月17日
VIP会员
相关资讯
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
33+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
45+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员