用于早期海上威胁检测的神经网络评估
机器学习
2024-10-29 v1 人工智能
摘要
我们考虑将船舶活动轨迹分类作为评估海上威胁的代理任务。先前的方法考虑使用基于熵的指标将船舶活动聚类为三个大类：随机游走、跟随和追逐。在此，我们全面评估了基于神经网络的方法作为基于熵聚类替代方案的准确性。我们训练了四个神经网络模型，并使用合成数据将它们与浅层学习进行比较。我们还研究了随着时间步长增加以及在有无旋转数据情况下模型的准确性。为了提高测试时的鲁棒性，我们对轨迹进行归一化并执行基于旋转的数据增强。我们的结果表明，深度网络在完整轨迹上可以实现高达 100% 的测试集准确率，并且随着时间步长减少表现出优雅退化，优于基于熵的聚类方法。
引用
@article{arxiv.2410.20054,
title = {Evaluating Neural Networks for Early Maritime Threat Detection},
author = {Dhanush Tella and Chandra Teja Tiriveedhi and Naphtali Rishe and Dan E. Tamir and Jonathan I. Tamir},
journal= {arXiv preprint arXiv:2410.20054},
year = {2024}
}