基于自编码器的直升机航迹识别
机器学习
2021-03-09 v1 人工智能
摘要
计算能力、大数据以及算法的进步引发了人们对人工智能(AI)尤其是深度学习(DL)的重新关注。深度学习的成功很大程度上在于数据表示,因为不同的表示在一定程度上可以指示数据背后不同的解释性变异因素。在过去几年中,深度学习最成功的故事是监督学习。然而,应用监督学习的一个挑战是数据标签获取昂贵、含有噪声或仅部分可用。考虑到人类以无监督方式学习,自监督学习方法近来引起了大量关注。自监督学习中的主导方法是自编码器(autoencoder),它具有多种用途(例如数据表示、异常检测、去噪)。本研究探索了应用自编码器学习直升机飞行航迹数据的有效数据表示,进而支持直升机航迹识别。我们的测试结果令人鼓舞。例如,在凤凰城鹿谷(DVT)机场,70% 的记录航迹缺失机型,自编码器可识别出的直升机数量是基于规则方法可检测数量的二十二倍;对于大峡谷西机场(1G4),自编码器可识别出的直升机数量是当前基于规则方法的十三倍。我们的方法还能识别航迹数据中被错误标注的机型,并为带有 HELO 等伪机型标签的记录找到真实机型。借助改进的标注,使用这些数据集的研究可得出更可靠的结果。
引用
@article{arxiv.2103.04768,
title = {Helicopter Track Identification with Autoencoder},
author = {Liya Wang and Panta Lucic and Keith Campbell and Craig Wanke},
journal= {arXiv preprint arXiv:2103.04768},
year = {2021}
}
备注
Draft for ICNS conference. arXiv admin note: text overlap with arXiv:2011.01464