Intelligent Known and Novel Aircraft Recognition — A Shift from Classification to Similarity Learning for Combat Identification

要約

低解像度のリモートセンシング画像における航空機の正確な認識は、航空分野、特に戦闘識別においては困難だが重要なタスクです。
この研究は、斬新でスケーラブルな AI 主導のソリューションでこの問題に対処します。
リモートセンシング画像における戦闘識別における主なハードルは、既知のタイプに加えて、新規/未知のタイプの航空機を正確に認識することです。
従来の方法である人間の専門家による戦闘識別と画像分類では、新規クラスを識別するには不十分です。
私たちの方法論では、類似性学習を利用して、幅広い軍用機および民間機の特徴を識別します。
識別には計量学習を、航空機タイプの分類には教師付き少数ショット学習を利用して、既知の航空機タイプと新しい航空機タイプの両方を識別します。
低解像度のリモートセンシングデータが限られているという課題に対処するために、完全に監視された方法で汎用エンベッダーをトレーニングすることにより、軍用機認識の多様で汎用性の高いプロセスに適応するエンドツーエンドのフレームワークを提案します。
以前の航空機画像分類手法との比較分析により、私たちのアプローチが航空機画像分類（F1 スコア航空機タイプ 0.861）に有効であり、新しいタイプの識別の定量化（F1 スコア Bipartitioning 0.936）に先駆的であることが示されています。
提案された方法論は、リモート センシング データに固有の課題に効果的に対処し、それによってデータセットの品質における新しい基準を設定します。
この研究は、分野の専門家に新たな道を開き、さまざまな航空機のタイプを区別する独自の機能を実証し、リアルタイムの航空機認識のより堅牢で分野に適応した可能性に貢献します。

要約(オリジナル)

Precise aircraft recognition in low-resolution remote sensing imagery is a challenging yet crucial task in aviation, especially combat identification. This research addresses this problem with a novel, scalable, and AI-driven solution. The primary hurdle in combat identification in remote sensing imagery is the accurate recognition of Novel/Unknown types of aircraft in addition to Known types. Traditional methods, human expert-driven combat identification and image classification, fall short in identifying Novel classes. Our methodology employs similarity learning to discern features of a broad spectrum of military and civilian aircraft. It discerns both Known and Novel aircraft types, leveraging metric learning for the identification and supervised few-shot learning for aircraft type classification. To counter the challenge of limited low-resolution remote sensing data, we propose an end-to-end framework that adapts to the diverse and versatile process of military aircraft recognition by training a generalized embedder in fully supervised manner. Comparative analysis with earlier aircraft image classification methods shows that our approach is effective for aircraft image classification (F1-score Aircraft Type of 0.861) and pioneering for quantifying the identification of Novel types (F1-score Bipartitioning of 0.936). The proposed methodology effectively addresses inherent challenges in remote sensing data, thereby setting new standards in dataset quality. The research opens new avenues for domain experts and demonstrates unique capabilities in distinguishing various aircraft types, contributing to a more robust, domain-adapted potential for real-time aircraft recognition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google