论文-RF-UAVNet:用于射频无人机监控系统的高性能卷积网络

论文信息

论文题目：RF-UAVNet: High-Performance Convolutional Network for RF-Based Drone Surveillance Systems

RF-UAVNet: 用于射频无人机监控系统的高性能卷积网络

论文地址：https://ieeexplore.ieee.org/document/9768809

发表时间：2022.05.04

作者：Thien Huynh-The 地址在韩国

笔记：我只关注分类方法和原理，不关注DNN结构的优化，所以涉及到对DNN的优化就一笔带过。

Abstract

近年来，家用无人机存在“黑飞”问题。本文提出了高性能卷积网络，用来监控和分类无人机（UAV）。

所提出的RF-UAVNet网络采用分组一维卷积，显著降低了网络规模和计算成本。另外，还提出一种多级跳连接结构结构，提高分类精度。

在实验中，RF-UAVNet对无人机检测的准确率为99.85%，对无人机分类的准确率为98.53%，在操作模式识别（无人机操作指令识别）方面为95.33%，这些数字超过了DroneRF上当前最先进的基于深度学习的方法，DroneRF是基于射频的无人机监视系统的公开数据集。

一、Introduction

阐述基于RF监控和分类无人机的重要性。

回顾基于RF监控和分类无人机的方法：傅里叶变换、随机森林、DNN、RNN、CNN。论证DNN方法好。

我们提出了一种有效的无人机监视方法，该方法使用具有深度架构的监督学习来监视和管理已知的无人机。用于三个任务：无人机检测，无人机分类、操作模式识别。我们设计了具有多个卷积层的深度网络架构，...，来提高精度。我们在实用的DroneRF数据集上评估了RF-UAVNet的性能。将该方法与相同条件下的最新方法进行了比较，表明RF-UAVNet在三项任务上优于其他深度网络，并减少了参数量和计算量。

二、State-of-the-Art Techniques

A Radar-Based Technique

基于雷达的方法，略

B Audio-Based Technique

基于声纹的方法，略

C Video-Based Technique

基于视频的无人机检测

D RF-Based Technique

利用无人机与地面控制器之间截获的射频信号，提出了几种基于射频的无人机检测方法，具有全天候昼夜工作等不同场景的优势。在[35]中，基于射频信号RF的快速傅里叶变换FFT特征，三个深度神经网络（DNN）使用相同的架构，用于三个独立的任务：无人机检测，无人机分类和操作识别。

笔记：可以看出，这篇论文基于[35]的研究。

论文35：RF-based drone detection and identification using deep learning approaches: An initiative towards a large open source drone database

最后，作者用表格总结了上述四种方法的优缺点：

三、Methodology

A System Model

系统模型：

• 遥控器和无人机通信；
• 通信信号被USRP捕获和存储；
• 计算机处理：预处理、分类。

B RF Database Description

数据集：用的别人公开的数据集 DroneRF，可用于无人机探测、无人机分类、操作模式分类（operation mode recognition）

该数据集收集自三个无人机：Parrot Bebop, Parrot AR Drone, and DJI Phantom 3

操作模式有四种，分别用01 02 03 04表示：

• 打开电源（连接到控制器）。
• 自动悬停（不需要物理和用户命令的干预）。
• 不录像飞行。
• 录像飞行。

还需要注意的是：

• Phantom 无人机只用了一种连接模式（其他模式的数据在收集过程中被损坏）。
• 还有一类数据，“没有无人机”的数据，用于识别无人机是否存在。

接收器是两个相同规格的USRP-2943，以收集采样率为40 MHz，增益为30 dB的频段的下部（L）和上部（H）半部分信号。该数据集有 227 个射频信号段（ signal segments），其中每个段有两个幅度记录（L 和 H 波段）。原始数据集大小为227 x 2 x 1000万。将DroneRF中的RF数据使用非重叠窗口机制，分割成多个信号帧（signal frames），每个信号帧长度10000。因此，最后得到227000个信号帧，每个维度为1×10000×2 （每个帧长度10000，有L和H两部分）。

笔记：

• 数据用两个接收器（L和H）收集（DroneRF原始数据集），再将数据分成帧，然后数据归一化（缩放至[0-1]），形成用于模型训练的数据。
• 数据总数是227000，被用于三个目的（Task），因此有三次划分（Class）

C RF-UAVNet

模型细节不说了，模型结构如下图。（Task 01: Drone Detection, Task 02: Drone Classification, and Task 03: Operation Recognition）

笔记：输入都是1x10000x2，输出分别为2 4 10，分别用于三个任务。

四、Experimental Results and Discussions

每个试验采用10折交叉验证。四次试验，分别用于：

• RF-UAVNet在这三个任务上的性能。
• g-conv层中不同滤波组数下RF-UAVNet对整体系统性能的参数敏感性。
• 将RF-UAVNet与其变体进行比较，以证明分组卷积和跳接结合多间隙的优势。
• 将RF-UAVNet与其他最先进的基于DL的方法进行了比较。

后面只介绍第一个和第四个试验。

A Model Performance

笔记：Confusion matrices，用混淆矩阵评估性能

B Parameter Sensitivity

参数灵敏度，略。

C Ablation Study

消融研究，略。

D Method Comparison

和DNN [35], 1D-CNN [17], and MC-CNN [36]从以下几个方面比较：

• accuracy
• F1-score
• number of trainable parameters, FLOPs, processing speed

Conclusion and Discussions

创新点：模型

待改进点：收集自己的数据