面向中等资源异构 Kubernetes 集群的应急着陆场识别集成迁移学习
计算机视觉与模式识别
2020-09-01 v2 机器学习
神经与进化计算
摘要
飞机推力的完全丧失要求飞行员做出快速而可靠的决策。若可达范围内无已公布的着陆场，则必须选择应急着陆场。选择合适的应急着陆场是一项关键任务，可避免飞机不必要的损坏、对平民以及机组和所有机上乘客的风险。尤其在仪表气象条件下，使用合适应急着陆场数据库不可或缺。因此，基于公开可用的数字正射影像与数字地表模型，我们创建了具有不同样本量的多个数据集，以便于神经网络的训练与测试。每个数据集由一组数据层组成。我们筛选了这些数据层的最佳组合以及性能最佳的迁移学习模型。随后，利用贝叶斯与Bandit优化对所选定模型在各样本量下的特定超参数进行优化。超参数调优在一自制的 Kubernetes 集群上完成。借助逐层相关性传播，我们针对输入数据考察了模型输出。利用优化后的模型，我们构建了集成模型以提升分割性能。最后，对北莱茵-威斯特法伦州阿恩斯贝格机场周边区域进行了分割并识别出应急着陆场，而最终进近障碍物净空验证未予考虑。这些应急着陆场存储于 PostgreSQL 数据库中。
引用
@article{arxiv.2006.14887,
title = {Ensemble Transfer Learning for Emergency Landing Field Identification on Moderate Resource Heterogeneous Kubernetes Cluster},
author = {Andreas Klos and Marius Rosenbaum and Wolfram Schiffmann},
journal= {arXiv preprint arXiv:2006.14887},
year = {2020}
}