[論文レビュー] SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification

Zhihan Zeng, Yang Zhao+8 more|arXiv (Cornell University)|Jan 19, 2026

Soil Moisture and Remote Sensing被引用数 0

ひとこと要約

SKANetは適応受容野とSEベースの融合を備えた認知的なデュアルストリームネットワークを導入し、時間-周波数画像とPSD特徴を処理することで複合GNSSジャammingを頑健に分類します。特に低JNR環境で96.99%の精度を達成します。

ABSTRACT

As the electromagnetic environment becomes increasingly complex, Global Navigation Satellite Systems (GNSS) face growing threats from sophisticated jamming interference. Although Deep Learning (DL) effectively identifies basic interference, classifying compound interference remains difficult due to the superposition of diverse jamming sources. Existing single-domain approaches often suffer from performance degradation because transient burst signals and continuous global signals require conflicting feature extraction scales. We propose the Selective Kernel and Asymmetric convolution Network(SKANet), a cognitive deep learning framework built upon a dual-stream architecture that integrates Time-Frequency Images (TFIs) and Power Spectral Density (PSD). Distinct from conventional fusion methods that rely on static receptive fields, the proposed architecture incorporates a Multi-Branch Selective Kernel (SK) module combined with Asymmetric Convolution Blocks (ACBs). This mechanism enables the network to dynamically adjust its receptive fields, acting as an adaptive filter that simultaneously captures micro-scale transient features and macro-scale spectral trends within entangled compound signals. To complement this spatial-temporal adaptation, a Squeeze-and-Excitation (SE) mechanism is integrated at the fusion stage to adaptively recalibrate the contribution of heterogeneous features from each modality. Evaluations on a dataset of 405,000 samples demonstrate that SKANet achieves an overall accuracy of 96.99\%, exhibiting superior robustness for compound jamming classification, particularly under low Jamming-to-Noise Ratio (JNR) regimes.

研究の動機と目的

• 多様な妨害源の重ね合わせから生じる複合GNSS干渉の分類という課題に対処する。
• Time-Frequency Images (TFIs)とPower Spectral Density (PSD)を活用して多尺度特徴を捉えるデュアルドメインフレームワークを開発する。
• Multi-Branch Selective Kernel (SK) モジュールとAsymmetric Convolution Blocks (ACBs)による適応的特徴抽出を実現する。
• Squeeze-and-Excitation機構を統合して異種モダリティ特徴を適応的に融合する。
• 特に低JNRの複合ジャammingシナリオを含む大規模データセットで頑健さと高精度を示す。

提案手法

• TFIsを深いSTFTベースのバックボーンとMulti-Branch SK-ACBモジュールで処理する認知的デュアルストリームネットワークアーキテクチャを提案する。
• グローバルエネルギー統計を捉える軽量PSDストリームを用いる。
• TFIsとPSDからの特徴を再調整・融合するSE融合ブロックを導入する。
• 受容野を適応させるために3つの異なる拡張率を持つ3つのブランチを持つMulti-Branch SK-ACBモジュールを組み込む。
• Adam最適化を用いたクロスエントロピー損失で訓練する。
• 複合ジャammingを原始ジャマーの混合（STJ, MTJ, LFM, Pulse, PBNJ）として表現し、九クラス分類で評価する。

実験結果

リサーチクエスチョン

• RQ1 TFIsとPSDを用いるデュアルストリームアプローチはドメイン間で特徴が衝突する場合でも複合GNSSジャammingタイプを頑健に識別できるか。
• RQ2 Multi-Branch SK-ACBブロックによる適応受容野は entangledジャamming信号の多尺度特徴抽出を改善するか。
• RQ3 SEベースの融合はGNSS干渉分類におけるTFIsとPSDの寄与を効果的にバランスできるか。
• RQ4 低JNRでの九分類複合ジャammingデータセットにおけるSKANetの全体性能はどうか。

主な発見

• 九クラス干渉データセット（40万5000サンプル）で総合精度96.99%を達成。
• 低JNR環境における複合ジャamming分類でSKANetは頑健性の優位性を示す。
• 適応的受容野と非対称畳み込みにより微小スケールの過渡現象とマクロスケールスペクトル傾向を効果的に捉える。
• SE融合はTFIsとPSDモダリティからの寄与を適応的に再調整し、分類性能を向上させる。
• デュアルストリーム設計は広帯域ノイズが狭帯域特徴を覆い隠す単一ドメイン表現におけるマスキング効果を緩和する。