基于广义数据分布空间的稀缺数据驱动无人机深度学习

无人机在民用和专业场景中的激增给机场和国家基础设施带来了新的威胁途径。单个主要机场因无人机入侵造成的经济损失估计为每天数百万。由于缺乏多样化的无人机训练数据，在稀缺数据下准确训练深度学习检测算法是一个开放性挑战。现有方法主要依赖于收集多样且全面的实验无人机视频数据、人工诱导的数据增强、迁移与元学习以及物理信息学习。然而，这些方法不能保证捕获多样化的无人机设计并充分理解无人机的深度特征空间。在此，我们展示了如何通过生成对抗网络（GAN）理解无人机数据的一般分布，并利用拓扑数据分析（TDA）解释缺失特征——从而让我们获取缺失数据以实现快速且更精确的学习。我们在一个无人机图像数据集上展示了结果，该数据集包含真实无人机图像以及来自计算机辅助设计的仿真图像。与随机数据收集（通常做法——200轮后判别器准确率94.67%）相比，我们提出的GAN-TDA知情数据收集方法显著提升了4%（200轮后99.42%）。我们相信这种利用神经网络的一般数据分布知识的方法可应用于广泛的稀缺数据开放性挑战。