Quantum CNN for Detection and Identification of UAV-Enabled Non-Terrestrial Networks
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) have become essential elements of non-terrestrial networks (NTNs) utilized in various sectors, including agriculture, public safety, surveillance, and critical military operations. However, in addition to the benefits of these NTNs, they are increasingly being exploited for malicious purposes, leading to a heightened need for timely detection and identification. Despite advances in UAV detection, challenges remain, particularly in dealing with different UAV types, the payloads they carry, and their flight characteristics. Relying on a single convolutional neural network (CNN) for UAV detection and identification presents difficulties in managing diverse datasets and capturing complex, interdependent relationships. To address this, we propose a novel approach that integrates the visual geometry group-based CNN for UAV detection and the mask region-based CNN for the identification of various traits of UAVs. Additionally, to overcome the computational complexity of deep convolutional layers, we introduce a quantum computation-based CNN (QCNN) instead of the conventional CNN, applied in both the visual geometry group-based detection and mask region-based identification processes, jointly termed VM-QCNN. To effectively deploy VM-QCNN, we enhance the dataset by applying data augmentation techniques, which add diversity to the training data. This ensures the model accurately detects various UAV types, payload categories, and flight characteristics. Performance evaluation through simulations demonstrates that the VM-QCNN approach significantly improves the detection of malicious UAVs compared to competitive algorithms.
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 | 0,001 | 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 découle