基于OSINT辅助的异构传感器融合贝叶斯目标分类证据等级
机器学习
2026-05-22 v1 计算机视觉与模式识别
机器人学
摘要
异构传感器融合对于检测、定位和分类CBRNE威胁至关重要。然而，单个传感器往往仅能检测子集威胁，或提供间接威胁指示，其可靠性各异，这给分类带来挑战。此外，传感器端的高误报率为融合系统带来重大挑战。此外，高质量数据集的稀缺性阻碍了智能传感器中基于学习的检测与分类模型的发展。为缓解这些传感器局限，我们提出一种基于上下文感知和领域知识增强的融合方法。首先，建立新颖的证据等级体系，以建模直接证据、指示证据和上下文信息。其次，将环境上下文信息引入融合过程，通过收集、处理和利用OSINT输入。最后，利用所有证据等级层面，结合领域知识信息的先验条件，构建贝叶斯威胁类型分类机制。该方法在仿真场景中进行评估，结果表明该融合方法在抗干扰性和先验不匹配方面具有显著优势，分类准确率可达95%。
引用
@article{arxiv.2605.22259,
title = {An Evidence Hierarchy for Bayesian Object Classification via OSINT-Aided Heterogeneous Sensor Fusion},
author = {Jan Nausner and Michael Hubner},
journal= {arXiv preprint arXiv:2605.22259},
year = {2026}
}
备注
6 pages, 1 figure; \c{opyright} 2026 The Authors. Submitted to the 2026 IEEE International Conference on Multisensor Fusion and Integration (MFI 2026). Under review