論文の概要: CFARnet: deep learning for target detection with constant false alarm rate

• arxiv url: http://arxiv.org/abs/2208.02474v3
• Date: Wed, 15 Nov 2023 08:35:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-16 21:15:49.567681
• Title: CFARnet: deep learning for target detection with constant false alarm rate
• Title（参考訳）: CFARnet:一定の誤報率による目標検出のためのディープラーニング
• Authors: Tzvi Diskin, Yiftach Beer, Uri Okun and Ami Wiesel
• Abstract要約: CFAR制約検出器の枠組みを紹介する。 実際に、ニューラルネットワークを近似する深層学習フレームワークを開発した。 異なる設定での目標検出実験により、提案したCFARnetは、CFARと精度の間の柔軟なトレードオフを可能にすることが示された。
• 参考スコア（独自算出の注目度）: 2.2940141855172036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of target detection with a constant false alarm rate (CFAR). This constraint is crucial in many practical applications and is a standard requirement in classical composite hypothesis testing. In settings where classical approaches are computationally expensive or where only data samples are given, machine learning methodologies are advantageous. CFAR is less understood in these settings. To close this gap, we introduce a framework of CFAR constrained detectors. Theoretically, we prove that a CFAR constrained Bayes optimal detector is asymptotically equivalent to the classical generalized likelihood ratio test (GLRT). Practically, we develop a deep learning framework for fitting neural networks that approximate it. Experiments of target detection in different setting demonstrate that the proposed CFARnet allows a flexible tradeoff between CFAR and accuracy.
• Abstract（参考訳）: 一定の誤報率(cfar)を有するターゲット検出の問題点について考察する。 この制約は多くの実用的応用において不可欠であり、古典的な合成仮説検定の標準要件である。 古典的なアプローチが計算に高価である場合やデータサンプルのみが与えられる場合、機械学習手法は有利である。 CFARはこれらの設定では理解されていない。 このギャップを埋めるために、CFAR制約検出器の枠組みを導入する。 理論的には、CFAR制約ベイズ最適検出器が古典的一般化可能性比検定(GLRT)と漸近的に等価であることを示す。 実際に、ニューラルネットワークを近似する深層学習フレームワークを開発した。 異なる設定での目標検出実験により、提案したCFARnetはCFARと精度の柔軟なトレードオフを可能にすることが示された。

関連論文リスト

• Unfolding Target Detection with State Space Model [8.493729039825332]
  本稿では,CFAR検出器を状態空間モデルアーキテクチャに展開することにより,信号処理とディープラーニングを組み合わせた新しい手法を提案する。 CFARパイプラインを保存し、洗練された構成をトレーニング可能なパラメータにすることで、手動パラメータチューニングなしで高い検出性能を実現する。 その結果,提案手法の顕著な性能,CFARとその変種を検出率と誤警報率で10倍に向上させることができた。
  論文  参考訳（メタデータ） (2024-10-30T07:43:18Z)
• On the Universal Adversarial Perturbations for Efficient Data-free Adversarial Detection [55.73320979733527]
  本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。 実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-27T02:54:07Z)
• OpenAUC: Towards AUC-Oriented Open-Set Recognition [151.5072746015253]
  従来の機械学習は、トレーニングとテストセットが同じラベル空間を共有するという密接な前提に従っている。 Open-Set Recognition (OSR) は、クローズセットサンプルとオープンセットサンプルの両方で正確な予測を行うことを目的としている。 これらの問題を解決するために,OpenAUCという新しいメトリクスを提案する。
  論文  参考訳（メタデータ） (2022-10-22T08:54:15Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Towards Accurate Open-Set Recognition via Background-Class Regularization [36.96359929574601]
  オープンセット認識(OSR)では、分類器は、高いクローズドセット分類精度を維持しつつ、未知のクラスサンプルを拒否できるべきである。 以前の研究では、潜在的特徴空間を制限し、オフライン分析によって制限された空間の外にあるデータを拒否しようとした。 標準分類器アーキテクチャにおいてOSRを実行するための単純な推論プロセス(オフライン解析なしで)を提案する。 提案手法は,高い閉集合分類精度を維持しつつ,堅牢なOSR結果を提供することを示す。
  論文  参考訳（メタデータ） (2022-07-21T03:55:36Z)
• Learning to Detect with Constant False Alarm Rate [2.2559617939136505]
  我々は、ターゲット検出に重点を置いた仮説テストにおける機械学習の利用を検討する。 我々は,任意のヌル仮説シナリオの下で,検出器の類似分布を促進する損失関数に項を加えることを提案する。
  論文  参考訳（メタデータ） (2022-06-12T14:32:40Z)
• Detection of Adversarial Supports in Few-shot Classifiers Using Feature Preserving Autoencoders and Self-Similarity [89.26308254637702]
  敵対的なサポートセットを強調するための検出戦略を提案する。 我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。 提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
  論文  参考訳（メタデータ） (2020-12-09T14:13:41Z)
• Adversarially Robust Classification based on GLRT [26.44693169694826]
  本稿では,一般確率比検定(GLRT)に基づく防衛戦略について述べる。 GLRT法は, 最悪の攻撃条件下でのミニマックス法と競合することを示す。 また、GLRTディフェンスは、最適ミニマックス分類器が不明なより複雑なモデルに自然に一般化する。
  論文  参考訳（メタデータ） (2020-11-16T10:16:05Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• A Study on Evaluation Standard for Automatic Crack Detection Regard the Random Fractal [15.811209242988257]
  ディープラーニングに基づく自動き裂検出装置は、明らかに広く使われている平均精度(mAP)基準によって過小評価されている。 その結果, き裂検出の過小評価を補正するために, CovEval というフラクタル利用評価基準を提案する。 オブジェクト検出にいくつかの一般的なフレームワークを使用した実験では、CovEvalによると、モデルの方がクラック検出のスコアがはるかに高い。
  論文  参考訳（メタデータ） (2020-07-23T15:46:29Z)

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。