基于 Transformer 的条件 GAN 与多实例学习在 UAV 信号检测与分类中的应用
机器学习
2025-07-22 v1 人工智能
摘要
无人机(UAVs) 在监视、物流、农业、灾害管理和军事作业中日益广泛应用。 accurate 检测和分类 UAV 飞行状态，如悬停、巡航、上升或转换，对确保安全有效的作业至关重要。然而，传统时序分类(TSC)方法往往在动态 UAV 环境下缺乏鲁棒性和泛化能力，而最先进(SOTA)模型如基于 Transformer 和 LSTM 的架构通常需要大规模数据集且计算成本高，尤其在高维数据流场景下。本文提出一种新框架，将 Transformer 基于生成对抗网络(GAN)与 Multiple Instance Locally Explainable Learning(MILET)集成，以应对 UAV 飞行状态分类中的数据稀缺和计算开销问题。Transformer 编码器捕获长程时序依赖和复杂遥测动态，GAN 模块通过增强有限数据集中的真实合成样本。MIL 被用于聚焦于最具判别力的输入片段，降低噪声和计算开销。实验结果表明，所提方法在 DroneDetect 数据集上实现了 96.5% 的优异准确率，在 DroneRF 数据集上达到 98.6%，超越其他 SOTA 方法。该框架在不同 UAV 平台和飞行状态下展现出强大的计算效率和鲁棒泛化能力，凸显其在资源受限环境下实现实时部署的潜力。
引用
@article{arxiv.2507.14592,
title = {A Transformer-Based Conditional GAN with Multiple Instance Learning for UAV Signal Detection and Classification},
author = {Haochen Liu and Jia Bi and Xiaomin Wang and Xin Yang and Ling Wang},
journal= {arXiv preprint arXiv:2507.14592},
year = {2025}
}
备注
13 pages, 7 figures