← 返回论文列表

一种基于开源情报辅助异构传感器融合的贝叶斯目标分类证据层次结构
An Evidence Hierarchy for Bayesian Object Classification via OSINT-Aided Heterogeneous Sensor Fusion

作者: Jan Nausner, Michael Hubner
arXiv: 2605.22259v1
分类: cs.LG, cs.CV, cs.RO
📝 论文摘要
异构传感器融合对于检测、定位和分类CBRNE威胁至关重要。然而，单个传感器通常只能以不同的可靠性检测部分相关威胁，甚至只能提供间接的威胁指示，这使得威胁分类颇具挑战。此外，传感器端的高杂波率给融合系统带来了巨大挑战。同时，高质量数据集的有限可用性阻碍了智能传感器中基于学习的检测与分类模型的发展。为缓解这些与传感器相关的不足，本文提出了一种情境感知与领域知识增强的融合过程。首先，建立了新颖的证据层级体系，可对直接信息、指示性信息和情境信息进行建模。其次，通过收集、处理并利用开源情报输入，将环境情境信息引入融合过程。第三，利用证据层级的所有层面，构建了具备领域知识先验的贝叶斯威胁类型分类机制。所提方法在模拟场景中进行了评估，结果表明，该融合方法在杂波和先验失配的鲁棒性方面具有优势，总体分类准确率高达95%。

📊 核心分析

🎯 研究动机
- 解决**异构传感器融合(hierarchical sensor fusion)** 在**CBRNE威胁分类(CBRNE threat classification)** 中面临的挑战，包括单个传感器检测能力有限、可靠性不一、高杂波率和高质量数据集稀缺等问题。 - 现有方法难以有效整合**直接证据(direct evidence)**、**间接指示(indirect indication)** 和**上下文信息(contextual information)**，导致分类结果不鲁棒。 - 背景：在智能传感器中，学习型模型因数据不足而受限，亟需一种结合领域知识和外部信息的融合框架来提升分类性能。
🔧 核心方法
- 提出**证据层次(evidence hierarchy)** 框架，将信息分为直接、指示性和上下文三个层级进行统一建模。 - 引入**开源情报(OSINT, Open-Source Intelligence)** 作为上下文信息来源，通过收集、处理并利用环境相关数据丰富融合过程。 - 利用证据层次的所有层级构建**贝叶斯威胁类型分类机制(Bayesian threat type classification mechanism)**，并使用**领域知识先验(domain knowledge-informed priors)** 进行概率推理。
💡 核心创新
- **首创性**：首次建立**证据层次(evidence hierarchy)** 来区分直接、指示性和上下文信息，为异构传感器融合提供结构化建模框架。 - **跨域融合**：将**OSINT数据(开源情报)** 融入传感器融合，利用环境上下文信息增强分类鲁棒性，弥补单一传感器缺陷。 - **先验知识注入**：通过**领域知识先验(domain knowledge-informed priors)** 指导贝叶斯分类，缓解数据稀缺和杂波干扰，提升在杂波场景下的分类性能。
🏆 总体贡献
- 为**异构传感器融合(hierarchical sensor fusion)** 领域提供了一种结合证据层次与OSINT的贝叶斯分类新范式，显著提高了对CBRNE威胁的分类准确性（高达95%）。 - 通过模拟实验证明了该方法对**杂波(clutter)** 和**先验不匹配(prior mismatch)** 具有强鲁棒性，为实际部署提供了可行性依据。 - 所提框架不依赖大规模标注数据集，为数据稀缺场景下的智能威胁分类提供了有效替代方案。