論文の概要: New SAR target recognition based on YOLO and very deep multi-canonical
correlation analysis
- arxiv url: http://arxiv.org/abs/2110.15383v1
- Date: Thu, 28 Oct 2021 18:10:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 01:09:21.677777
- Title: New SAR target recognition based on YOLO and very deep multi-canonical
correlation analysis
- Title(参考訳): YOLOに基づく新しいSAR目標認識と深層多カノニカル相関解析
- Authors: Moussa Amrani, Abdelatif Bey, Abdenour Amamra
- Abstract要約: 本稿では,異なるCNN層から有効な特徴を適応的に融合させることにより,SAR画像ターゲット分類のためのロバストな特徴抽出手法を提案する。
MSTARデータセットの実験により,提案手法が最先端手法より優れていることが示された。
- 参考スコア(独自算出の注目度): 0.1503974529275767
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Synthetic Aperture Radar (SAR) images are prone to be contaminated by noise,
which makes it very difficult to perform target recognition in SAR images.
Inspired by great success of very deep convolutional neural networks (CNNs),
this paper proposes a robust feature extraction method for SAR image target
classification by adaptively fusing effective features from different CNN
layers. First, YOLOv4 network is fine-tuned to detect the targets from the
respective MF SAR target images. Second, a very deep CNN is trained from
scratch on the moving and stationary target acquisition and recognition (MSTAR)
database by using small filters throughout the whole net to reduce the speckle
noise. Besides, using small-size convolution filters decreases the number of
parameters in each layer and, therefore, reduces computation cost as the CNN
goes deeper. The resulting CNN model is capable of extracting very deep
features from the target images without performing any noise filtering or
pre-processing techniques. Third, our approach proposes to use the
multi-canonical correlation analysis (MCCA) to adaptively learn CNN features
from different layers such that the resulting representations are highly
linearly correlated and therefore can achieve better classification accuracy
even if a simple linear support vector machine is used. Experimental results on
the MSTAR dataset demonstrate that the proposed method outperforms the
state-of-the-art methods.
- Abstract(参考訳): 合成開口レーダ(SAR)画像はノイズによって汚染されやすいため、SAR画像のターゲット認識は非常に困難である。
超深層畳み込みニューラルネットワーク(cnns)の成功に触発されて,異なるcnn層からの有効特徴を適応的に融合することにより,sar画像ターゲット分類のためのロバスト特徴抽出法を提案する。
まず、各MF SARターゲット画像からターゲットを検出するよう、YOLOv4ネットワークを微調整する。
第二に、非常に深いCNNは、ネット全体にわたって小さなフィルタを用いて、移動および静止目標取得および認識(MSTAR)データベースをスクラッチから訓練し、スペックルノイズを低減する。
また、小型畳み込みフィルタを用いることで各層のパラメータ数が減少し、cnnがより深くなるにつれて計算コストが削減される。
得られたCNNモデルは、ノイズフィルタリングや前処理を行うことなく、ターゲット画像から非常に深い特徴を抽出することができる。
第3に,マルチカノニカル相関解析 (MCCA) を用いて異なる層からCNNの特徴を適応的に学習し,その結果の表現が線形に高い相関性を持ち,単純な線形支援ベクトルマシンを用いてもより優れた分類精度を実現することを提案する。
MSTARデータセットの実験結果から,提案手法は最先端の手法よりも優れていることが示された。
関連論文リスト
- Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳(メタデータ) (2024-08-28T10:07:17Z) - SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。
近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。
本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。
本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文 参考訳(メタデータ) (2022-05-31T15:55:37Z) - Learning Efficient Representations for Enhanced Object Detection on
Large-scene SAR Images [16.602738933183865]
SAR(Synthetic Aperture Radar)画像のターゲットの検出と認識は難しい問題である。
近年開発されたディープラーニングアルゴリズムは,SAR画像の固有の特徴を自動的に学習することができる。
本稿では,効率的かつ堅牢なディープラーニングに基づくターゲット検出手法を提案する。
論文 参考訳(メタデータ) (2022-01-22T03:25:24Z) - Weakly-supervised fire segmentation by visualizing intermediate CNN
layers [82.75113406937194]
画像やビデオにおける火の局所化は、火災事故に対処するための自律システムにとって重要なステップである。
我々は,ネットワークのトレーニングに画像ラベルのみを使用する,画像中の火の弱い制御セグメント化について検討する。
CNNの中間層における特徴量の平均値は,2値セグメンテーション問題である火災セグメンテーションの場合,従来のクラスアクティベーションマッピング(CAM)法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-11-16T11:56:28Z) - Lightweight Convolutional Neural Network with Gaussian-based Grasping
Representation for Robotic Grasping Detection [4.683939045230724]
現在の物体検出器は、高い精度と高速な推論速度のバランスを取るのが難しい。
ロボットつかみポーズ推定を行うための効率的かつ堅牢な完全畳み込みニューラルネットワークモデルを提案する。
ネットワークは、他の優れたアルゴリズムよりも桁違いに小さい順序です。
論文 参考訳(メタデータ) (2021-01-25T16:36:53Z) - Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。
我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。
その結果,小型歩行者の検出における本手法の有効性が示唆された。
論文 参考訳(メタデータ) (2020-08-19T13:13:01Z) - SAR Image Despeckling by Deep Neural Networks: from a pre-trained model
to an end-to-end training strategy [8.097773654147105]
畳み込みニューラルネットワーク(CNN)は、最近、SAR画像復元の最先端のパフォーマンスに達することが示されている。
CNNトレーニングには、多くのスペックルフリー/スペックル故障した画像のペアという、優れたトレーニングデータが必要です。
本稿では,実施したいスペックル除去作業に応じて,採用可能なさまざまな戦略を解析する。
論文 参考訳(メタデータ) (2020-06-28T09:47:31Z) - Verification of Deep Convolutional Neural Networks Using ImageStars [10.44732293654293]
畳み込みニューラルネットワーク(CNN)は、多くの現実世界で最先端のアプリケーションを再定義している。
CNNは敵の攻撃に対して脆弱であり、入力のわずかな変更は出力の急激な変更につながる可能性がある。
本稿では,VGG16やVGG19などの実世界のCNNを,ImageNet上で高い精度で処理可能なセットベースフレームワークについて述べる。
論文 参考訳(メタデータ) (2020-04-12T00:37:21Z) - Attentive CutMix: An Enhanced Data Augmentation Approach for Deep
Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。
各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。
提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文 参考訳(メタデータ) (2020-03-29T15:01:05Z) - Depthwise Non-local Module for Fast Salient Object Detection Using a
Single Thread [136.2224792151324]
本稿では,高速な物体検出の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。
提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文 参考訳(メタデータ) (2020-01-22T15:23:48Z)
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。