GraphSAGE for Real-Time Target Tracking in UAV Surveillance
Notice bibliographique
Résumé
The increase in the need to have intelligent aerial surveillance has required the creation of real-time, correct, and scalable target tracking systems for Unmanned Aerial Vehicles (UAVs). The older methods of doing so generally include Kalman filters, LSTM-based trackers, and convolutional graph networks; however, they tend to face problems with scalability, generalizability to new environments, and fast real-time operation under dynamic missions. To address these gaps, we propose a GraphSAGE-based inductive learning framework customized for real-time UAV surveillance and multi-target tracking. The system can be understood as a dynamic graph with UAVs, targets, and communication areas corresponding to nodes and their relationships to each other as edges. Then, the node embeddings are updated continuously using GraphSAGE neighborhood aggregation. The framework facilitates building online graphs and making decisions so that the drone does not need retraining to adjust to new arrangements. On experimental analysis, our model displays 94.4% tracking accuracy with minimum average error (12.5 m) and a complete 100 percent interruption recovery rate, which surpasses baseline advanced baselines, such as GAT and DGCNN, by a significant margin. Besides high accuracy, the system is high-performance, with inference occurring in real-time and at low energy consumption, making it ideal for embedded applications on edge UAV systems. The given GraphSAGE solution is not only state-of-the-art in air/aural surveillance but also creates a scalable and robust architecture that can learn and adapt in real-time, multi-agent, and mission-critical processes. The study presents a new and practical perspective on AI systems utilizing UAVs, serving as a starting point for implementing intelligent graph-based control in next-generation aerial surveillance operations.
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 ».