Maskininlärning för inversa problem och metrikinlärning - Nya sätt att lösa svåra problem

Automatisk analys av data med maskininlärning (ML), framför allt bilder av olika modalitet, är ett ytterst aktivt forskningsområde där stora framsteg har gjorts på kort tid. Inom försvarsorienterad forskning och metodutveckling finns många tillämpningar där ML har stor potential och skulle kunna leda till nya förmågor. Rapporten presenterar några centrala försvarsorienterade tillämpningar där ML idag används i mer begränsad omfattning och lyfter fram hur ML skulle kunna användas inom dessa. Initial experimentella resultat på sensordata eller simulerad data presenteras. Tillgången på annoterad träningsdata av god kvalitet med tillräcklig variation (dataförsörjning) har varit helt avgörande för framgångarna med ML. Antalet träningsexempel som krävs för att nå framgång är tillämpningsberoende, men är nästan alltid mycket stor. Inom försvarstillämpningar är vanligen tillgången på träningsdata ytterst begränsad vilket utgör ett hinder vid tillämpning av ML. Experimentella resultat där simulerad data har använts för utvärdering av några ML ansatser presenteras. En central användning av ML är att analysera sensordata, dvs. metoder att extrahera information från sensorer. Måldetektion och målklassificering är frekvent förekommande problem där detta kan vara användbart.