https://login.easychair.org/publications/preprint_download/T6G9

摘要

指挥与控制（C2）的概念和实践一直是与通信和信息技术共同发展的。最近人工智能（AI）的进步改变了信息技术世界的运行方式。这要求C2迅速适应，以充分利用人工智能的潜力。

深度学习（DL）一直处于人工智能近期发展的最前沿。作为一个例子，在计算机视觉领域，DL已经使物体检测和分类模型的发展成为可能，在某些领域可以与人类的能力相媲美[1]。然而，DL算法通常是数据驱动的，它们需要在成千上万的标记样本上进行训练。与军事行动相关的注释数据集可能很难得到。虽然开源数据集很容易获得，但它们很少具备军事行动背景下普遍存在的特征：

• 多种传感器模式（如可见光、红外、热或超光谱）。

• 降级的图像（噪音、模糊、低分辨率）。

• 标记的专门军事设备实例（不仅仅是日常普通物体）。

• 空中视角（不仅是地面图像）。

为了填补这一空白，有必要用数据收集活动来补充从开放源码或盟友那里获得的数据集。尽管数据收集本身需要大量的努力，但数据标记阶段往往是创建数据集最耗费精力的步骤。它被认为是阻碍人工智能进一步应用的主要瓶颈[2]。由于时间的限制（这是一个漫长而乏味的过程）和内容专家验证数据集质量的可用性，打标签是一个挑战。

在本文中，我们提出了Parakeet框架，该框架采用C2方法来建立标记数据集，为人工智能能力的发展和运作的成功创造必要的条件。这是通过确保适当利用现有资源（操作员、内容专家、时间和计算能力）来实现的。我们表明，用C2框架管理机器学习活动可以使物体检测和分类模型的开发更快，这反过来将使C2性能更好，通过检测、识别和跟踪感兴趣的物体和活动提供及时的情况分析。

图1：Parakeet的标注周期与目标定位周期的映射。

图2：完整的Parakeet原型概念

https://login.easychair.org/publications/preprint_download/T6G9

内容中包含的图片若涉及版权问题，请及时与我们联系删除