Notice bibliographique
Résumé
Commercial drones have become much popular in recent years. Their low cost and high capabilities have rendered drones feasible for different applications. These include weather observations, traffic monitoring, inspection of buildings, fire detection, delivery of goods, agriculture and security. However, the abuse of the advancements of drone capabilities can lead to security and public safety issues. Such abuses include the transfer of illegal or dangerous goods, assaults and terrorizing actions, espionage or spying. In such a context, can the behavior of a quadcopter be determined from observations? Can those observed behaviours be utilized for training a machine learning model for classifying future comportment? In this work, we look at three pieces of information that we can predict about a quadcopter or a group of quadcopters, leveraging behavior observations. First, we try to predict the formation a group of drones intend to make while in transition by training a machine learning model, based on Softmax regression, on navigational data collected for this purpose. Second, we train an Long Short-Term Memory (LSTM) neural network on Mel Frequncy Cepstral Coefficients (MFCCs), which are audio features extracted from an acoustic signal, to predict the weight of the payload of a quadcopter. Furthermore, in our third task, we identify whether a drone pilot is a human or an autopilot using a deep neural network trained on features processed from collected navigational data. In each of the three tasks, we evaluate features extracted from the data, then build and evaluate different models. The best-performing models in each of the three tasks are then compared to three different dummy classifiers. This comparison is made by performing statistical iii iv
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».