論文の概要: Small-floating Target Detection in Sea Clutter via Visual Feature
Classifying in the Time-Doppler Spectra
- arxiv url: http://arxiv.org/abs/2009.04185v1
- Date: Wed, 9 Sep 2020 09:35:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 11:57:35.168551
- Title: Small-floating Target Detection in Sea Clutter via Visual Feature
Classifying in the Time-Doppler Spectra
- Title(参考訳): タイムドップラースペクトルの視覚特徴分類による海クラッタの小型浮揚目標検出
- Authors: Yi Zhou, Yin Cui, Xiaoke Xu, Jidong Suo, Xiaoming Liu
- Abstract要約: 表面レーダーによる海溝内の微小な浮動物体の検出は困難である。
本稿では,海面の基盤運動の連続性について,ターゲットからの後方散乱が振動することを観察した。
LBPの特徴空間において, レーダーはターゲットを包含し, クラッタのみを有するレーダーは分離可能であることを示す。
- 参考スコア(独自算出の注目度): 24.719192219757723
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: It is challenging to detect small-floating object in the sea clutter for a
surface radar. In this paper, we have observed that the backscatters from the
target brake the continuity of the underlying motion of the sea surface in the
time-Doppler spectra (TDS) images. Following this visual clue, we exploit the
local binary pattern (LBP) to measure the variations of texture in the TDS
images. It is shown that the radar returns containing target and those only
having clutter are separable in the feature space of LBP. An unsupervised
one-class support vector machine (SVM) is then utilized to detect the deviation
of the LBP histogram of the clutter. The outiler of the detector is classified
as the target. In the real-life IPIX radar data sets, our visual feature based
detector shows favorable detection rate compared to other three existing
approaches.
- Abstract(参考訳): 表面レーダーによる海溝内の微小な浮動物体の検出は困難である。
本稿では,TDS(Time-Doppler Spectra)画像において,ターゲットからの後方散乱が海面の基盤運動の連続性を損なうことを観察した。
この視覚的手がかりに従えば、TDS画像のテクスチャの変化を測定するためにローカルバイナリパターン(LBP)を利用する。
LBPの特徴空間において, レーダーはターゲットを含み, クラッタのみを有するレーダーは分離可能であることを示す。
次に、教師なし一級支持ベクトルマシン(SVM)を用いて、クラッタのLPPヒストグラムのずれを検出する。
検出器の出力器はターゲットとして分類される。
実生活のIPIXレーダデータセットでは、我々の視覚特徴に基づく検出器は、他の3つの既存手法と比較して良好な検出率を示している。
関連論文リスト
- Improving the Detection of Small Oriented Objects in Aerial Images [0.0]
本研究では,オブジェクト指向物体検出モデルの分類・回帰タスクを強化することにより,空中画像中の小型物体を高精度に検出する手法を提案する。
ガイド・アテンション・ロス(GALoss)とボックス・ポイント・ロス(BPLoss)の2つの損失からなるアテンション・ポイント・ネットワークを設計した。
実験結果から,小型オブジェクトインスタンスを用いた標準指向型空中データセットにおける注意点ネットワークの有効性が示された。
論文 参考訳(メタデータ) (2024-01-12T11:00:07Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳(メタデータ) (2023-08-24T12:32:46Z) - Semantic Segmentation of Radar Detections using Convolutions on Point
Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。
このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。
我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2023-05-22T07:09:35Z) - Radar Guided Dynamic Visual Attention for Resource-Efficient RGB Object
Detection [10.983063391496543]
自動運転車の認識品質を向上させるために,RGB画像に対する新しいレーダー誘導空間アテンションを提案する。
提案手法は,RGBモードの物体検出装置では検出されない小型・長距離物体の知覚を改善する。
論文 参考訳(メタデータ) (2022-06-03T18:29:55Z) - Fully Convolutional One-Stage 3D Object Detection on LiDAR Range Images [96.66271207089096]
FCOS-LiDARは、自律走行シーンのLiDAR点雲のための完全な1段式3Dオブジェクト検出器である。
標準的な2Dコンボリューションを持つRVベースの3D検出器は、最先端のBEVベースの検出器と同等の性能を発揮することを示す。
論文 参考訳(メタデータ) (2022-05-27T05:42:16Z) - Anomaly Detection in Radar Data Using PointNets [7.3600716208089825]
異常なレーダーターゲットを検出するために,PointNetsに基づく手法を提案する。
本手法は都市シナリオにおける実世界のデータセットを用いて評価する。
論文 参考訳(メタデータ) (2021-09-20T10:02:24Z) - Fast Rule-Based Clutter Detection in Automotive Radar Data [10.379073531824456]
自動車用レーダーセンサーは、多くの不要なクラッタやゴースト検出を出力する。
乱雑な検出は、複数の連続測定でグループや同様の場所で起こる。
このような誤検出を識別する新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-08-27T11:32:50Z) - Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。
我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。
航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文 参考訳(メタデータ) (2020-11-19T05:42:02Z) - Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。
UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文 参考訳(メタデータ) (2020-09-16T11:37:43Z) - SCRDet++: Detecting Small, Cluttered and Rotated Objects via
Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
小さくて散らばった物体は実世界では一般的であり、検出は困難である。
本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。
機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
論文 参考訳(メタデータ) (2020-04-28T06:03:54Z) - RSS-Net: Weakly-Supervised Multi-Class Semantic Segmentation with FMCW
Radar [26.56755178602111]
我々は、このタスクに使用される従来のセンサーよりも、より長い範囲で動作し、悪天候や照明条件に対してかなり堅牢なレーダーを提唱する。
RGBカメラやLiDARセンサーとレーダースキャンを関連付け,これまでに収集された最大の都市自治データセットを利用する。
本稿では,マルチチャンネル・レーダ・スキャン・インプットを用いて,短命でダイナミックなシーン・オブジェクトを扱うネットワークを提案する。
論文 参考訳(メタデータ) (2020-04-02T11:40:26Z)
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。