In the Realm of Aerial Deception: UAV Classification via ISAR Images and Radar Digital Twins for Enhanced Security
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Unmanned Aerial Vehicles (UAVs) pose significant security challenges due to their widespread use in various malicious activities, including terrorist attacks and wartime operations where explosives are attached to them. Conventional radar-based detection and classification methods often rely on range-Doppler signatures, which may lead to misclassification, especially in identifying UAVs carrying explosive payloads. To address this challenge, this letter proposes an inverse synthetic aperture radar (ISAR)-based classification algorithm. To develop and validate the proposed algorithm, a quadcopter is modeled using radar digital twins to generate comprehensive datasets. Initially, a convolutional neural network (CNN) classifier is trained on a dataset comprising range-Doppler information, aiming to distinguish between a commercial quadcopter and the same quadcopter when it is modified to carry explosives. However, the model fails to accurately classify instances where the quadcopter is carrying explosives-based solely on range-Doppler data. Subsequently, the CNN model is retrained using a dataset containing ISAR images for both scenarios. When applied to a separate dataset featuring ISAR images of a quadcopter carrying explosives, the model demonstrates improved accuracy in classification. Real-measurements further validate these findings, confirming the effectiveness of the proposed ISAR-based classification approach in enhancing radar security against UAV-borne threats. This research presents valuable insights for the future development of robust countermeasures to address the evolving challenges posed by UAVs in security-sensitive environments.
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.
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 | 0,000 | 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 découle