战术边缘计算机视觉的适应性：应对环境不确定性
计算机视觉与模式识别
2023-12-04 v1
摘要
计算机视觉（CV）系统正日益被纳入指挥与控制（C2）系统，以改进战场（即战术边缘）上的情报分析。CV 系统利用人工智能（AI）算法来可视化并解释环境，增强态势感知。然而，由于环境与被识别对象快速变化可能混淆已部署模型，CV 系统在战术边缘的适应性仍然具有挑战性。当环境及其中存在的对象开始变化时，该环境中使用的 CV 模型可能在其预测中变得不确定。此外，任务目标可能快速变化，导致技术、相机角度与图像分辨率的调整，所有这些都可能负面影响系统性能并可能引入不确定性。当训练环境和/或技术与部署环境不同时，CV 模型可能表现异常。遗憾的是，战术边缘的大多数场景并未将不确定性量化（UQ）纳入其已部署的 C2 与 CV 系统。本概念论文探讨了在战术边缘同步由 UQ 驱动的鲁棒数据操作与模型微调的思路。具体而言，基于预测残差策划数据集并训练子模型，利用这些子模型计算预测区间（PI），再使用这些 PI 校准已部署模型。通过将 UQ 纳入战术边缘 C2 与 CV 系统的核心操作，我们可助力战场上有的放矢的适应性。
引用
@article{arxiv.2312.00269,
title = {Adaptability of Computer Vision at the Tactical Edge: Addressing Environmental Uncertainty},
author = {Hayden Moore},
journal= {arXiv preprint arXiv:2312.00269},
year = {2023}
}
备注
Accepted paper for the 28th annual International Command and Control Research and Technology Symposium (ICCRTS), Johns Hopkins Applied Physics Laboratory. Baltimore, MD. (2023)