論文の概要: Toward Data-Driven STAP Radar

• arxiv url: http://arxiv.org/abs/2201.10712v1
• Date: Wed, 26 Jan 2022 02:28:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-27 23:08:28.849702
• Title: Toward Data-Driven STAP Radar
• Title（参考訳）: データ駆動STAPレーダを目指して
• Authors: Shyam Venkatasubramanian, Chayut Wongkamthong, Mohammadreza Soltani, Bosung Kang, Sandeep Gogineni, Ali Pezeshki, Muralidhar Rangaswamy, Vahid Tarokh
• Abstract要約: 我々は、時空間適応処理(STAP)レーダーに対するデータ駆動アプローチを特徴付ける。 所定領域に可変強度のターゲットをランダムに配置することにより、受信レーダ信号の豊富なサンプルデータセットを生成する。 この領域内の各データサンプルに対して、ビームフォーマの出力パワーのレンジ、方位、および上昇のヒートマップテンソルを生成する。 空中に浮かぶシナリオでは、動くレーダーは、ビデオに似た、これらのタイムインデクシングされたイメージスタックのシーケンスを生成する。
• 参考スコア（独自算出の注目度）: 23.333816677794115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Using an amalgamation of techniques from classical radar, computer vision, and deep learning, we characterize our ongoing data-driven approach to space-time adaptive processing (STAP) radar. We generate a rich example dataset of received radar signals by randomly placing targets of variable strengths in a predetermined region using RFView, a site-specific radio frequency modeling and simulation tool developed by ISL Inc. For each data sample within this region, we generate heatmap tensors in range, azimuth, and elevation of the output power of a minimum variance distortionless response (MVDR) beamformer, which can be replaced with a desired test statistic. These heatmap tensors can be thought of as stacked images, and in an airborne scenario, the moving radar creates a sequence of these time-indexed image stacks, resembling a video. Our goal is to use these images and videos to detect targets and estimate their locations, a procedure reminiscent of computer vision algorithms for object detection$-$namely, the Faster Region-Based Convolutional Neural Network (Faster R-CNN). The Faster R-CNN consists of a proposal generating network for determining regions of interest (ROI), a regression network for positioning anchor boxes around targets, and an object classification algorithm; it is developed and optimized for natural images. Our ongoing research will develop analogous tools for heatmap images of radar data. In this regard, we will generate a large, representative adaptive radar signal processing database for training and testing, analogous in spirit to the COCO dataset for natural images. As a preliminary example, we present a regression network in this paper for estimating target locations to demonstrate the feasibility of and significant improvements provided by our data-driven approach.
• Abstract（参考訳）: 従来のレーダ,コンピュータビジョン,深層学習の技法の融合を用いて,時空適応処理(STAP)レーダに対する,現在進行中のデータ駆動アプローチを特徴付ける。 isl社が開発した無線周波数モデリングシミュレーションツールrfviewを用いて,可変強度の目標を所定の領域にランダムに配置することにより,受信レーダ信号のリッチなサンプルデータセットを生成する。 この領域内の各データサンプルに対して、所望の試験統計量に置き換えることができる最小分散歪み無応答(MVDR)ビームフォーマの出力パワーの範囲、方位、および出力パワーのヒートマップテンソルを生成する。 これらの熱マップテンソルは、積み重ねられた画像とみなすことができ、空飛ぶシナリオでは、動画のようなタイムインデックス画像スタックのシーケンスを生成する。 私たちの目標は、これらの画像とビデオを使用してターゲットを検出し、その位置を推定すること、すなわち、より高速な領域ベースの畳み込みニューラルネットワーク(より高速なr-cnn)である、オブジェクト検出のためのコンピュータビジョンアルゴリズムを連想させる手順です。 Faster R-CNNは、関心領域(ROI)を決定するための提案生成ネットワーク、ターゲットの周囲にアンカーボックスを配置する回帰ネットワーク、オブジェクト分類アルゴリズムで構成され、自然画像に最適化されている。 我々の研究はレーダーデータのヒートマップ画像の類似ツールを開発する。 そこで本研究では,自然画像のCOCOデータセットに類似した,大規模で代表的な適応型レーダ信号処理データベースを作成する。 予備例として,本論文では,対象位置推定のための回帰ネットワークを提案し,データ駆動型アプローチによる実現可能性と大幅な改善を示す。

関連論文リスト

• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• 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)
• Subspace Perturbation Analysis for Data-Driven Radar Target Localization [20.34399283905663]
  我々は、サブスペース分析を用いて、ミスマッチしたシナリオ間でレーダーターゲットのローカライゼーション精度をベンチマークする。 ミスマッチした制約領域に変動強度のターゲットをランダムに配置することで、包括的データセットを生成する。 畳み込みニューラルネットワークを用いて,これらの熱マップテンソルからターゲット位置を推定する。
  論文  参考訳（メタデータ） (2023-03-14T21:22:26Z)
• Deep Learning Computer Vision Algorithms for Real-time UAVs On-board Camera Image Processing [77.34726150561087]
  本稿では,ディープラーニングに基づくコンピュータビジョンアルゴリズムを用いて,小型UAVのリアルタイムセンサ処理を実現する方法について述べる。 すべてのアルゴリズムは、ディープニューラルネットワークに基づく最先端の画像処理手法を用いて開発されている。
  論文  参考訳（メタデータ） (2022-11-02T11:10:42Z)
• Data-Driven Target Localization Using Adaptive Radar Processing and Convolutional Neural Networks [18.50309014013637]
  本稿では,アダプティブレーダ検出後のレーダターゲット位置推定を改善するためのデータ駆動方式を提案する。 我々は、正規化適応整合フィルタ(NAMF)のレーダリターン、範囲、方位(およびドップラー)から熱マップテンソルを生成する。 次に、これらの熱マップテンソルからターゲット位置を推定するために回帰畳み込みニューラルネットワーク(CNN)を訓練する。
  論文  参考訳（メタデータ） (2022-09-07T02:23:40Z)
• Radar Image Reconstruction from Raw ADC Data using Parametric Variational Autoencoder with Domain Adaptation [0.0]
  本研究では,パラメータ制約付き変分オートエンコーダを提案し,レンジ角画像上でクラスタ化および局所化されたターゲット検出を生成する。 実際のレーダデータを用いて可能なすべてのシナリオにおいて,提案するニューラルネットワークをトレーニングする問題を回避すべく,ドメイン適応戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-30T16:17:36Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
  可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。 我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。 重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
  論文  参考訳（メタデータ） (2021-07-22T03:10:51Z)
• RODNet: A Real-Time Radar Object Detection Network Cross-Supervised by Camera-Radar Fused Object 3D Localization [30.42848269877982]
  本稿では,カメラレーダ融合アルゴリズムによって相互に監視される深層レーダ物体検出ネットワーク RODNet を提案する。 提案したRDDNetは、レーダフィールド・オブ・ビュー(FoV)におけるオブジェクトの可能性を予測するための入力として、RF画像のシーケンスを用いる。 集中的な実験により,提案手法は平均精度86%,オブジェクト検出性能88%を達成した。
  論文  参考訳（メタデータ） (2021-02-09T22:01:55Z)
• Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
  ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。 本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
  論文  参考訳（メタデータ） (2020-12-16T21:46:33Z)

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。