本论文描述了一种使用机器学习系统的方法来检测和跟踪气象雷达数据中的鸟类栖息地,通过考虑标记风格的变化,使用潜变量模型和EM算法来提高检测准确性,从而获取有关美国范围内栖息地的空间时间数据。
Apr, 2020
本文利用鸟瞰图和卷积神经网络预测高速公路场景中的车辆轨迹,使用U-net模型作为预测核心,发现使用高斯表示车辆的U-net模型是性能最好的配置,预测误差比基准方法降低了50%。
Jul, 2022
本文介绍了一个大规模的数据集AirBirds,其中包含了118,312个时间序列图像,覆盖了409,967个飞鸟的边框注释,是首个在真实机场环境中直接收集飞鸟的、用于研究和实践鸟击防护的大规模数据集。
Apr, 2023
本研究利用三维重建技术从立体视频摄像记录中深入研究了文鸟的飞行行为,特别关注了起飞、飞行和降落过程中的速度和加速度模式,并得出了启发性的结论。通过与无人机技术的应用结合,本研究旨在提高无人机的效能和自主性,加强短程导航和起降过程中的控制能力。
Dec, 2023
本文提出了一种增强的CNN-LSTM网络作为战斗机飞行轨迹预测方法,该方法从空间和时间两个维度提取特征,通过模拟实验证明相比于原始的CNN-LSTM方法,预测精度提高了32%和34%。
Apr, 2024
我们利用长短期记忆模型 (LSTM) 预测以实时方式到达JFK机场并在距离着陆跑道阈值10纳米内的航班中,可能执行盘旋操作的概率。我们进一步开发方法来从全局视角和个别飞行视角检查引起盘旋操作的原因。根据我们的结果,紧随其后的间隔和同时运行跑道似乎是导致总体盘旋操作的主要因素。然后,我们将这些预先训练的模型和分析与实时数据流集成,并最终开发了一个演示基于Web的用户界面,将之前设计的不同组件整合成一个可供飞行人员和其他线路人员使用的实时工具,用于识别可能发生盘旋操作的高风险情况。
May, 2024
我们提出了一个“管理者-工作者”框架来释放环境背景信息的潜力,并构建了一个适用于上下文感知轨迹预测的CATP模型。该框架包括一个管理者模型、多个工作者模型以及受自然界竞争共生启发的定制化训练机制。我们进行了两个比较实验和一项消融研究,定量评估了该框架和CATP模型,并表明CATP能够胜过其他SOTA模型,该框架可推广应用于不同的上下文感知任务。
Jul, 2024
通过基于流体动力学的运动模型和循环神经网络相结合的FluxRGNN混合模型,本研究扩展了传统的理论驱动模型,实现了对鸟类迁徙的大陆规模的精确预测,并通过两个主要修改,更准确地预测了任意划分的地点,并增强了模型的解释能力。
本研究针对航班延误的趋势进行调查,旨在填补航空延误预测中的技术空白。通过运用回归机器学习方法和时间序列模型,提出了一种新的分析方式,发现了影响航班延误的关键因素。这一研究为航班计划策略提供了潜在的信息,具有重要的应用价值。
Aug, 2024
本研究解决了使用气象雷达检测飞行动物(如鸟类和昆虫)时数据标记不足的问题。提出了一种自监督学习的方法,通过在噪声标签的大型数据集上预训练模型,从而显著提高检测性能。实验结果表明,该方法在水鸟分割任务中比当前最先进的技术提高了43.53%。