基于分层谱聚类的资源受限无人机识别框架 HSCP
计算机视觉与模式识别
2025-12-11 v1 人工智能
摘要
随着无人机技术的快速发展和低空安保威胁的日益复杂，传统的无人机识别方法在复杂环境中难以提取可靠的信号特征且难以满足实时要求。最近的基于深度学习的无线电频率指纹识别 (RFFI) 方法显著提高了识别准确率。然而，这些方法的模型规模大、计算需求高，阻碍了在资源受限的边缘设备上部署。虽然模型剪枝是降低复杂度的通用解决方案，但现有的权重、通道和层剪枝技术难以同时优化压缩率、硬件加速和识别准确率。为此，本文提出 HSCP，即分层谱聚类剪枝框架，结合层级剪枝与通道剪枝以实现极致压缩、高性能和高效推理。在第一阶段，HSCP 利用基于中心化核对齐 (CKA) 指导的谱聚类识别并移除冗余层级。随后对通道维度重复应用相同策略，以消除更细粒度的冗余。为确保鲁棒性，进一步采用噪声鲁棒的微调策略。在 UAV-M100 数据集上进行实验表明，HSCP 在现有通道和层级剪枝方法中表现更优。具体而言，HSCP 在 ResNet18 上实现了 86.39% 的参数压缩率和 84.44% 的 FLOPs 压缩率，同时将准确率提高了 1.49%，并在低信噪比环境中保持优异鲁棒性。
引用
@article{arxiv.2512.08983,
title = {HSCP: A Two-Stage Spectral Clustering Framework for Resource-Constrained UAV Identification},
author = {Maoyu Wang and Yao Lu and Bo Zhou and Zhuangzhi Chen and Yun Lin and Qi Xuan and Guan Gui},
journal= {arXiv preprint arXiv:2512.08983},
year = {2025}
}