論文の概要: Variational Temporal Deep Generative Model for Radar HRRP Target Recognition

• arxiv url: http://arxiv.org/abs/2009.13011v1
• Date: Mon, 28 Sep 2020 02:03:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 21:08:02.357251
• Title: Variational Temporal Deep Generative Model for Radar HRRP Target Recognition
• Title（参考訳）: レーダhrrpターゲット認識のための変動時間深部生成モデル
• Authors: Dandan Guo, Bo Chen (Senior Member, IEEE), Wenchao Chen, Chaojie Wang, Hongwei Liu (Member, IEEE), and Mingyuan Zhou
• Abstract要約: 高分解能レンジプロファイル(HRRP)に基づくレーダ自動目標認識(RATR)のためのリカレントガンマ信念ネットワーク(rGBN)を開発した。 提案したrGBNは、その時間的深層生成モデルを構築するためにガンマ分布の階層構造を採用する。 HRRPデータを用いた実験結果から,提案手法は計算効率が高く,高い分類精度と能力を有し,高い解釈性を有するマルチ確率層潜在構造が得られた。
• 参考スコア（独自算出の注目度）: 39.01318281591659
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop a recurrent gamma belief network (rGBN) for radar automatic target recognition (RATR) based on high-resolution range profile (HRRP), which characterizes the temporal dependence across the range cells of HRRP. The proposed rGBN adopts a hierarchy of gamma distributions to build its temporal deep generative model. For scalable training and fast out-of-sample prediction, we propose the hybrid of a stochastic-gradient Markov chain Monte Carlo (MCMC) and a recurrent variational inference model to perform posterior inference. To utilize the label information to extract more discriminative latent representations, we further propose supervised rGBN to jointly model the HRRP samples and their corresponding labels. Experimental results on synthetic and measured HRRP data show that the proposed models are efficient in computation, have good classification accuracy and generalization ability, and provide highly interpretable multi-stochastic-layer latent structure.
• Abstract（参考訳）: 我々は高分解能レンジプロファイル(HRRP)に基づくレーダ自動目標認識(RATR)のためのリカレントガンマ信念ネットワーク(rGBN)を開発した。 提案したrGBNは、その時間的深層生成モデルを構築するためにガンマ分布の階層構造を採用する。 スケーラブルなトレーニングと高速アウト・オブ・サンプル予測のために,確率的段階のマルコフ連鎖モンテカルロ(mcmc)と反復的変分推論モデルのハイブリッドを提案する。 ラベル情報を利用してより識別的な潜在表現を抽出するために,HRRPサンプルと対応するラベルを共同でモデル化する教師付きrGBNを提案する。 HRRPデータを用いた実験結果から,提案手法は計算効率が高く,高い分類精度と一般化能力を有し,高度に解釈可能な多層構造を提供することが示された。

関連論文リスト

• Bellman Diffusion: Generative Modeling as Learning a Linear Operator in the Distribution Space [72.52365911990935]
  本稿では,MDPの線形性を維持する新しいDGMフレームワークであるBellman Diffusionを紹介する。 この結果から,ベルマン拡散は分布RLタスクにおける従来のヒストグラムベースベースラインよりも1.5倍高速に収束し,精度の高い画像生成装置であることがわかった。
  論文  参考訳（メタデータ） (2024-10-02T17:53:23Z)
• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Streaming Gaussian Dirichlet Random Fields for Spatial Predictions of High Dimensional Categorical Observations [0.0]
  本稿では,時間分布,疎度,高次元の分類学的観察の流れに対する新しいアプローチを提案する。 提案手法は,ストリーミングデータのグローバルな局所パターンを効率的に学習する。 より正確な予測を行うネットワークアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-02-23T14:52:05Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• Hierarchical Gaussian Process Models for Regression Discontinuity/Kink under Sharp and Fuzzy Designs [0.0]
  回帰不連続/リンク(RD/RK)を用いた因果推論のための非パラメトリックベイズ推定器を提案する。 これらの推定器は、中間ベイズニューラルネットワーク層を持つ階層型GPモデルに拡張される。 モンテカルロシミュレーションにより、我々の推定器は、精度、カバレッジ、間隔長の点で競合する推定器よりもよく、しばしばよく機能することを示した。
  論文  参考訳（メタデータ） (2021-10-03T04:23:56Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Few-shot time series segmentation using prototype-defined infinite hidden Markov models [3.527894538672585]
  フレキシブルなグラフィカルモデルに基づく非定常逐次データの解析を行うためのフレームワークを提案する。 RBFネットワークはプロトタイプによって効率的に特定でき、複雑な非定常パターンを表現できることを示す。 脳波データからの自動発作検出などの生体信号処理アプリケーションにおいて,本フレームワークの有用性を実証した。
  論文  参考訳（メタデータ） (2021-02-07T19:02:33Z)
• Gaussian Process Regression with Local Explanation [28.90948136731314]
  本稿では,各サンプルの予測に寄与する特徴を明らかにするため,局所的な説明を伴うGPRを提案する。 提案モデルでは,各サンプルの予測と説明を,容易に解釈可能な局所線形モデルを用いて行う。 新しい試験サンプルでは, 対象変数と重みベクトルの値と不確かさを予測できる。
  論文  参考訳（メタデータ） (2020-07-03T13:22:24Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。