An active learning framework for drone classification in radio frequency domain
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
Radio-frequency–based drone classification is a critical capability for modern antidrone systems. However, the development of dependable artificial intelligence models in this domain is hindered by the high cost and complexity of expert data labeling. This challenge is particularly pronounced in radio-frequency signal analysis, where labeled datasets are typically small, partially unlabeled, and continuously evolving during system deployment. This paper proposes a tailored active learning framework for drone classification in the radio-frequency domain, integrating human expertise into an iterative learning process that selectively queries the most informative unlabeled samples. By prioritizing sample informativeness, the proposed framework aims to achieve high detection performance while significantly reducing labeling effort. Theapproach is evaluated using the VTI_USRP_DroneSET dataset, comprising radio-frequency spectrograms acquired in realistic outdoor conditions within the 2.4 GHz frequency band. Experimental results demonstrate that the proposed active learning strategy achieves mAP50–95 performance comparable to conventional supervised learning while requiring only one quarter of the labeled data. The results confirm that active learning enables data-efficient radio-frequency based drone classification without compromising detection accuracy. Furthermore, near-optimal performance is consistently obtained with an optimal training duration of 80 epochs, reducing both annotation and computational costs. These findings confirm that active learning provides a data-efficient and cost-effective solution for RF-based drone classification and is well suited for real-time deployment in operational antidrone systems where labeled data are scarce and continuously acquired.
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 | 0,001 | 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 découle