Multi-Domain Supervised Contrastive Learning for UAV Radio-Frequency Open-Set Recognition

Este artigo propõe o modelo Open-RFNet, baseado em aprendizado contrastivo supervisionado multi-domínio e no algoritmo IG-OpenMax, para realizar reconhecimento de drones não cooperativos em cenários de conjunto aberto com alta precisão tanto para tipos conhecidos quanto desconhecidos.

O essencial

Imagine que o céu abaixo das nuvens (a "baixa altitude") está ficando cada vez mais cheio de drones. Eles são ótimos para entregar pacotes, tirar fotos e salvar vidas, mas também podem ser usados de forma maliciosa, invadindo privacidade ou causando acidentes. O grande problema é: como saber quem está voando lá em cima sem precisar vê-lo?

Muitos drones não têm "placa" visível, mas eles sempre emitem um sinal de rádio (como o Wi-Fi do seu celular ou o controle remoto). O artigo que você enviou apresenta uma solução inteligente para identificar esses drones apenas ouvindo seus sinais de rádio, mesmo quando aparecem drones novos que o sistema nunca viu antes.

Aqui está a explicação do método deles, usando analogias do dia a dia:

1. O Problema: O "Cego" que precisa ver

Os métodos antigos de reconhecimento de drones eram como tentar identificar alguém apenas pela voz, mas se a pessoa mudasse o sotaque ou cantasse uma música diferente, o sistema falhava. Além disso, se um ladrão usasse um drone novo que nunca foi cadastrado, o sistema antigo diria: "Não sei quem é", e provavelmente tentaria adivinhar que era um dos drones conhecidos, cometendo um erro.

O objetivo deste trabalho é criar um sistema que:

1. Reconheça perfeitamente os drones conhecidos (como identificar um DJI Mavic entre 25 tipos diferentes).
2. Perceba imediatamente quando um drone desconhecido (um "intruso") aparecer, sem tentar forçá-lo a ser um dos conhecidos.

2. A Solução: O Detetive de Dupla Visão (MD-SupContrast)

Os autores criaram um sistema chamado Open-RFNet. Pense nele como um detetive com dois pares de óculos especiais:

• Óculos 1 (ResNet - O Observador de Textura): Este olhar foca na "pele" do sinal. Ele analisa a textura, as bordas e os padrões internos do sinal de rádio, como se estivesse olhando para a textura de uma madeira para saber se é pinho ou carvalho. Isso ajuda a ignorar ruídos (como o vento bagunçando o sinal).
• Óculos 2 (Transformer - O Observador de Posição): Este olhar foca na "geografia" do sinal. Ele olha para onde o sinal aparece no tempo e na frequência, como se estivesse olhando para o mapa de uma cidade para ver onde as casas estão localizadas. Isso ajuda a entender a "identidade" global do drone.

A Mágica da Fusão: O sistema não escolhe apenas um; ele funde as duas visões. É como ter um detetive que vê tanto a textura da pele quanto a localização do suspeito, tornando a identificação muito mais precisa.

3. O Treinamento: A "Festa de Reconhecimento" (Contrastive Learning)

Para treinar esse detetive, eles usaram uma técnica chamada Aprendizado Contrastivo Supervisionado.

• A Analogia: Imagine uma festa onde você quer que todos os amigos do "Grupo A" se agrupem em uma mesa, e os do "Grupo B" em outra mesa distante.
• O Método: O sistema pega vários sinais do mesmo drone e os empurra para ficarem muito próximos uns dos outros no "espaço mental" do computador. Ao mesmo tempo, ele empurra os sinais de drones diferentes para ficarem o mais longe possível.
• O Resultado: Isso cria "ilhas" muito claras para cada tipo de drone, tornando fácil saber a quem pertence um novo sinal.

4. O Grande Desafio: O "Fantasma" Desconhecido (Open-Set)

Aqui está a parte mais genial do artigo. E se aparecer um drone que nunca foi visto antes?

• O Problema dos Antigos: Se você treina um sistema apenas com 25 tipos de drones, e chega um 26º tipo, o sistema antigo vai tentar adivinhar: "Ah, deve ser um DJI Phantom!". Ele erra feio.
• A Solução (IG-OpenMax): O novo sistema usa uma técnica inteligente de "Gêmeos Falsos".
  1. O sistema cria, artificialmente, sinais de drones que parecem "estranhos" ou "fora do padrão" (os gêmeos falsos).
  2. Ele treina o sistema para reconhecer que esses sinais estranhos não são nenhum dos 25 conhecidos.
  3. O Truque Secreto: Ao fazer isso, eles congelam a parte do cérebro que "vê" os sinais (o extrator de características) e treinam apenas a parte que "decide" a resposta.
  • Por que congelar? Se você re-treinar tudo, o sistema esquece como era a "visão" original e começa a ver os drones novos de um jeito diferente, confundindo tudo. Ao congelar a visão, o sistema mantém sua memória original e apenas aprende a dizer "Isso aqui é um intruso!".

5. Os Resultados: O Detetive de Elite

Os testes foram feitos com um banco de dados gigante de sinais de drones reais.

• Precisão: O sistema acertou 95,12% dos drones conhecidos.
• Detecção de Intrusos: Quando um drone desconhecido apareceu, o sistema o identificou corretamente como "desconhecido" em 96,08% dos casos.
• Equilíbrio: O grande feito é que ele não sacrificou a precisão dos conhecidos para detectar os desconhecidos. Ele faz os dois muito bem ao mesmo tempo.

Resumo em uma frase

Os autores criaram um "olho de raio-X" para drones que combina a visão de textura e de mapa, treina-se para agrupar amigos e afastar inimigos, e usa um truque de "gêmeos falsos" congelados para identificar instantaneamente qualquer drone novo e perigoso que invada o céu, sem confundir os bons com os ruins.

É uma tecnologia pronta para proteger nossas cidades, garantindo que, quando um drone voar, saibamos exatamente quem é ele — ou se ele é um estranho perigoso.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Multi-Domain Supervised Contrastive Learning for UAV Radio-Frequency Open-Set Recognition", traduzido e adaptado para o português:

Título: Aprendizado Contrastivo Supervisionado Multi-Domínio para Reconhecimento de Conjunto Aberto de RF de UAVs

1. Problema e Motivação

O avanço das redes de sensoriamento e comunicação integradas em baixa altitude (LA-ISAC) no contexto do 5G-Advanced (5G-A) facilitou o uso de Veículos Aéreos Não Tripulados (UAVs). No entanto, a falta de regulamentação eficaz e a facilidade de modificação de drones comerciais levaram a um aumento de voos não autorizados, representando uma séria ameaça à segurança.

Os desafios principais identificados pelos autores são:

• Natureza do Sinal: Os sinais de RF de UAVs comerciais são não estacionários e utilizam saltos de frequência (frequency hopping), o que torna difícil a extração de características robustas por métodos tradicionais (como CNNs básicas).
• Limitação de Conjuntos Fechados (Closed-Set): A maioria dos métodos existentes assume que todas as classes de UAVs no teste estão presentes no treinamento. Na realidade, drones invasivos ou modificados podem não estar no conjunto de treinamento, levando a classificações errôneas (falsos positivos) em vez de serem detectados como "desconhecidos".
• Compromisso Desempenho: Técnicas de reconhecimento de conjunto aberto (open-set) existentes frequentemente melhoram a detecção de desconhecidos às custas de uma redução significativa na precisão de reconhecimento das classes conhecidas.

2. Metodologia Proposta

O artigo propõe o Open-RFNet, um modelo baseado em uma nova estrutura chamada MD-SupContrast (Multi-Domain Supervised Contrastive Learning) e um algoritmo de reconhecimento de conjunto aberto chamado IG-OpenMax.

A. Extração e Fusão de Características (MD-SupContrast)

O modelo combina características de diferentes domínios para representar o sinal de RF:

1. Características de Textura: Extraídas usando uma rede ResNet-18. Estas capturam padrões geométricos locais e a distribuição de amplitude no espectro tempo-frequência, sendo robustas a não estacionariedades e saltos de frequência.
2. Características de Posição Tempo-Frequência: Extraídas usando um Encoder Transformer (TE). Estas capturam dependências de longo alcance e a posição global dos blocos de sinal no domínio tempo-frequência, essenciais para distinguir tipos de UAVs.
3. Fusão: As características de textura e posição são concatenadas e processadas por camadas não lineares (MNLs) para criar uma representação unificada.

B. Otimização via Aprendizado Contrastivo Supervisionado

Em vez de usar apenas a função de perda de entropia cruzada (que pode levar a otimização desequilibrada entre diferentes tipos de características), o modelo utiliza Aprendizado Contrastivo Supervisionado (SupCon).

• Objetivo: Agrupar amostras da mesma classe no espaço de características e afastar amostras de classes diferentes.
• Vantagem: Melhora a consistência intra-classe e a separação inter-classe, otimizando simultaneamente as características de textura e posição sem favorecer uma sobre a outra.

C. Reconhecimento de Conjunto Aberto (IG-OpenMax)

Para lidar com UAVs desconhecidos, é proposto o algoritmo IG-OpenMax (Improved Generative OpenMax):

1. Geração de Amostras Sintéticas: Um GAN (WGAN-GP) gera amostras sintéticas das classes conhecidas.
2. Seleção de "Desconhecidos": O modelo fechado (Open-RFNet-C) classifica essas amostras sintéticas. As que são mal classificadas são tratadas como proxies para dados de classes desconhecidas.
3. Estratégia de Treinamento em Duas Etapas (Inovação Chave):
   • Ao contrário do G-OpenMax tradicional que retreina toda a rede, o IG-OpenMax congela as camadas de extração de características e retreina apenas a camada de classificação.
   • Isso preserva o espaço de características original aprendido, garantindo que as amostras sintéticas mal classificadas permaneçam nas regiões de fronteira onde os dados reais desconhecidos provavelmente apareceriam.
4. Calibração Weibull: Uma distribuição de Weibull é ajustada às ativações dos vetores para estimar a probabilidade de uma amostra pertencer a uma classe desconhecida, sem depender de um limiar fixo manual.

3. Principais Contribuições

• Framework MD-SupContrast: Uma arquitetura que funde características de textura (ResNet) e posição (Transformer) otimizada por aprendizado contrastivo supervisionado, superando as limitações de sinais não estacionários.
• Algoritmo IG-OpenMax: Uma abordagem inovadora para reconhecimento de conjunto aberto que congela o extrator de características durante o ajuste fino, preservando a distribuição de características e melhorando a detecção de desconhecidos sem degradar a precisão das classes conhecidas.
• Desempenho Equilibrado: O modelo consegue manter alta precisão tanto para classes conhecidas quanto para desconhecidas, resolvendo o problema comum de trade-off negativo entre os dois cenários.

4. Resultados Experimentais

Os experimentos foram realizados no conjunto de dados de grande escala DroneRFa, contendo sinais de RF de 25 tipos de UAVs (20 conhecidos no treinamento, 5 desconhecidos).

• Precisão em Conjunto Fechado (Closed-Set): O Open-RFNet alcançou 95,12% de precisão.
• Precisão em Conjunto Aberto (Open-Set): O modelo alcançou 96,08% de precisão na detecção de classes desconhecidas.
• Gap de Desempenho: A diferença entre a precisão de classes conhecidas e desconhecidas foi de apenas 0,96%, demonstrando um equilíbrio superior em comparação com métodos de referência (como S3R, UIOS, OpenMax e G-OpenMax).
• Análise de Complexidade: O tempo de inferência total do pipeline (incluindo pré-processamento e inferência do modelo) é de aproximadamente 54 ms, atendendo aos requisitos de tempo real para monitoramento de UAVs.

5. Significado e Conclusão

Este trabalho representa um avanço significativo na segurança de redes LA-ISAC. Ao demonstrar que é possível reconhecer UAVs não cooperativos (desconhecidos) com alta precisão sem sacrificar a identificação de drones conhecidos, o Open-RFNet oferece uma solução viável para a vigilância de baixo custo e alta eficiência.

A principal lição técnica é a eficácia de congelar o extrator de características durante a adaptação para conjunto aberto, permitindo que o modelo aprenda a distinguir o "desconhecido" baseando-se na estrutura de características já robusta, em vez de reescrever essa estrutura. O método supera as abordagens state-of-the-art atuais, oferecendo uma ferramenta robusta contra a proliferação de drones maliciosos em ambientes urbanos e críticos.