Multimodal Unmanned Aerial Vehicles Classification Using Vision and Acoustic Inputs
Notice bibliographique
Résumé
Unmanned Aerial Vehicles (UAVs) are started to use in military zones during wars, which creates fears regarding safety, privacy, and national security. In order to track their utilization effectively, we require effective mechanisms to identify and classify UAVs. Classical camera-based vision detection is poor in low light, fog, as well as under vision obstacles. It also subsists with vision since the UAVs emanate distinguishable sound patterns used for identification. A framework is proposed for the classification of UAVs that incorporates both vision as well as audio data. We worked on the dataset Roboflow, comprised of five classes: drone, helicopter, aircraft jet, bird, and plane. We worked on the YOLOv8 [1], ResNet18 CNN, as well as the Vision Transformer. ResNet18 CNN obtained the best visual accuracy, reaching 98.44%, followed by satisfactory results from YOLOv8 and ViT. We utilised the Drone AudioDataset for audio analysis. It comprised the CNN, the LSTM, as well as the Vision Transformer, where the ViT achieved the best precision, 95.81%. The results show that combining optical and acoustic techniques improves detection reliability, especially in challenging real-time conditions. Ongoing research will be directed towards building derivative fusion techniques to construct variable, accurate, and secure UAV surveillance platforms.
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 | 0,001 |
| 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 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 ».