基于不确定性的四元组选择用于 GNSS 数据干扰分类的小样本学习
信号处理
2024-10-08 v2 计算机视觉与模式识别
图像与视频处理
摘要
干扰设备通过破坏全球导航卫星系统（GNSS）信号构成重大威胁，损害了精确定位的鲁棒性。检测频率快照中的异常对于有效对抗这些干扰至关重要。适应多样化、未见过的干扰特性对于确保 GNSS 在实际应用中的可靠性必不可少。本文提出了一种小样本学习（FSL）方法以适应新的干扰类别。我们的方法采用四元组选择，使模型能够利用各种正类和负类干扰进行学习。此外，我们的四元组变体基于偶然不确定性和认知不确定性来选择配对，以区分相似类别。我们在一条高速公路上记录了一个包含八个干扰类别的数据集，在该数据集上，我们带有四元组损失的 FSL 方法在干扰器分类准确率方面以 97.66% 的性能优于其他 FSL 技术。数据集地址：https://gitlab.cc-asp.fraunhofer.de/darcy_gnss/FIOT_highway
引用
@article{arxiv.2402.09466,
title = {Few-Shot Learning with Uncertainty-based Quadruplet Selection for Interference Classification in GNSS Data},
author = {Felix Ott and Lucas Heublein and Nisha Lakshmana Raichur and Tobias Feigl and Jonathan Hansen and Alexander Rügamer and Christopher Mutschler},
journal= {arXiv preprint arXiv:2402.09466},
year = {2024}
}