論文の概要: Automatic Target Recognition on Synthetic Aperture Radar Imagery: A
Survey
- arxiv url: http://arxiv.org/abs/2007.02106v2
- Date: Sat, 12 Dec 2020 21:11:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 13:54:33.819685
- Title: Automatic Target Recognition on Synthetic Aperture Radar Imagery: A
Survey
- Title(参考訳): 合成開口レーダ画像におけるターゲット自動認識:調査
- Authors: O. Kechagias-Stamatis and N. Aouf
- Abstract要約: 本稿では,SAR ATRアーキテクチャの分類法と,標準および拡張された運用条件下でのそれぞれの手法の長所と短所の比較を行う。
MSTARは標準的なSAR ATRベンチマークデータセットであるにもかかわらず、弱点を強調し、今後の研究方向性を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic Target Recognition (ATR) for military applications is one of the
core processes towards enhancing intelligencer and autonomously operating
military platforms. Spurred by this and given that Synthetic Aperture Radar
(SAR) presents several advantages over its counterpart data domains, this paper
surveys and assesses current SAR ATR architectures that employ the most popular
dataset for the SAR domain, namely the Moving and Stationary Target Acquisition
and Recognition (MSTAR) dataset. Based on the current methodology trends, we
propose a taxonomy for the SAR ATR architectures, along with a direct
comparison of the strengths and weaknesses of each method under both standard
and extended operational conditions. Additionally, despite MSTAR being the
standard SAR ATR benchmarking dataset we also highlight its weaknesses and
suggest future research directions.
- Abstract(参考訳): 自動的標的認識(automatic target recognition, atr)は、諜報機関と自律的な軍事プラットフォームを強化するための中核的なプロセスの一つである。
このことから,SAR(Synthetic Aperture Radar, 合成開口レーダ)は, 対応するデータ領域に対していくつかの利点があることが示された。本論文では, SARドメインで最も一般的なデータセットであるMSTARデータセットを用いて, 現在のSAR ATRアーキテクチャを調査し,評価する。
本研究では,sar atrアーキテクチャの分類法を提案するとともに,各手法の長所と短所を,標準的および拡張的な運用条件下で直接比較する。
さらに、MSTARが標準的なSAR ATRベンチマークデータセットであるにも関わらず、弱点を強調し、今後の研究方向性を提案する。
関連論文リスト
- SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale
SAR Object Detection [83.21028626585986]
我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。
私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。
私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
論文 参考訳(メタデータ) (2024-03-11T09:20:40Z) - Benchmarking Deep Learning Classifiers for SAR Automatic Target
Recognition [7.858656052565242]
本稿では,複数のSARデータセットを用いたSAR ATRの先進的な深層学習モデルを総合的にベンチマークする。
推論スループットと解析性能の観点から,分類精度のランタイム性能に関する5つの分類器の評価と比較を行った。
SAR ATRの領域では、すべてのモデルルールが疑わしいのです。
論文 参考訳(メタデータ) (2023-12-12T02:20:39Z) - Exploring Self-Supervised Learning for SAR ATR: A Knowledge-Guided
Predictive Perspective [24.382303439699974]
Self-Supervised Learning (SSL)は、データから直接監視信号を引き出すことを目的としている。
本研究では,SAR自動目標認識(ATR)のための有効SSL手法について検討する。
我々は知識誘導予測アーキテクチャ(SAR-KPGA)と呼ばれる新しいアプローチを提案する。
論文 参考訳(メタデータ) (2023-11-26T01:05:55Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - UDTIRI: An Online Open-Source Intelligent Road Inspection Benchmark
Suite [21.565438268381467]
このベンチマークスイートで公開された最初のオンラインコンペである道路穴検出タスクを紹介します。
我々のベンチマークは、最先端のオブジェクト検出、セマンティックセグメンテーション、インスタンスセグメンテーションネットワークの体系的かつ徹底的な評価を提供する。
多様な道路条件をより包括的に理解したアルゴリズムを提供することで、未解決の可能性を解き明かそうとしている。
論文 参考訳(メタデータ) (2023-04-18T09:13:52Z) - LaMAR: Benchmarking Localization and Mapping for Augmented Reality [80.23361950062302]
異種ARデバイスでキャプチャされたリアルな軌跡とセンサストリームを共登録する,包括的キャプチャとGTパイプラインを備えた新しいベンチマークであるLaMARを紹介する。
私たちは、ヘッドマウントとハンドヘルドARデバイスで記録された多様な大規模シーンのベンチマークデータセットを公開します。
論文 参考訳(メタデータ) (2022-10-19T17:58:17Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳(メタデータ) (2021-11-17T21:48:31Z) - Open-Set Recognition: A Good Closed-Set Classifier is All You Need [146.6814176602689]
分類器が「ゼロ・オブ・ア・ア・ア・ベ」決定を行う能力は、閉集合クラスにおける精度と高い相関関係があることが示される。
この相関を利用して、閉セット精度を向上させることにより、クロスエントロピーOSR'ベースライン'の性能を向上させる。
また、セマンティックノベルティを検出するタスクをより尊重する新しいベンチマークを構築した。
論文 参考訳(メタデータ) (2021-10-12T17:58:59Z) - Enhancing the Generalization for Intent Classification and Out-of-Domain
Detection in SLU [70.44344060176952]
インテント分類は、音声言語理解(SLU)における主要な課題である
近年の研究では、余分なデータやラベルを使用することで、OOD検出性能が向上することが示されている。
本稿では、IND意図分類とOOD検出の両方をサポートしながら、INDデータのみを用いてモデルを訓練することを提案する。
論文 参考訳(メタデータ) (2021-06-28T08:27:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。