論文の概要: Toward Data-Driven Radar STAP
- arxiv url: http://arxiv.org/abs/2209.02890v1
- Date: Wed, 7 Sep 2022 02:23:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-08 12:53:52.720293
- Title: Toward Data-Driven Radar STAP
- Title（参考訳）: データ駆動レーダSTAPに向けて
- Authors: Shyam Venkatasubramanian, Sandeep Gogineni, Bosung Kang, Ali Pezeshki,
Muralidhar Rangaswamy, Vahid Tarokh
- Abstract要約: 我々は、レーダ時空間適応処理(STAP)に対するデータ駆動型アプローチを提案する。
我々は、レーダー目標位置決めの文脈において、選択部分空間分離法の性能保証を解析する。
これらの熱マップテンソルからターゲット位置を推定し、マッチングやミスマッチの設定において、データ駆動方式による実現可能性と大幅な改善を実証する。
- 参考スコア（独自算出の注目度）: 20.34399283905663
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Catalyzed by the recent emergence of site-specific, high-fidelity radio
frequency (RF) modeling and simulation tools purposed for radar, data-driven
formulations of classical methods in radar have rapidly grown in popularity
over the past decade. Despite this surge, limited focus has been directed
toward the theoretical foundations of these classical methods. In this regard,
as part of our ongoing data-driven approach to radar space-time adaptive
processing (STAP), we analyze the asymptotic performance guarantees of select
subspace separation methods in the context of radar target localization, and
augment this analysis through a proposed deep learning framework for target
location estimation. In our approach, we generate comprehensive datasets by
randomly placing targets of variable strengths in predetermined constrained
areas using RFView, a site-specific RF modeling and simulation tool developed
by ISL Inc. For each radar return signal from these constrained areas, we
generate heatmap tensors in range, azimuth, and elevation of the normalized
adaptive matched filter (NAMF) test statistic, and of the output power of a
generalized sidelobe canceller (GSC). Using our deep learning framework, we
estimate target locations from these heatmap tensors to demonstrate the
feasibility of and significant improvements provided by our data-driven
approach in matched and mismatched settings.
- Abstract（参考訳）: 近年、レーダーを指向したサイト固有の高周波モデリングとシミュレーションツールの出現により、レーダーにおける古典的手法のデータ駆動型定式化は、過去10年間で急速に人気が高まっている。
この急上昇にもかかわらず、これらの古典的手法の理論的基礎に限定的な焦点が向けられている。
本研究では,レーダー時空間適応処理(stap)に対する現在進行中のデータ駆動アプローチの一環として,レーダ目標位置推定のための深層学習フレームワークを用いて,選択された部分空間分離手法の漸近的性能保証を解析し,解析を増強する。
そこで本研究では,ISL Inc が開発したサイト固有のRFモデリング・シミュレーションツールであるRFView を用いて,所定の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により,包括的データセットを生成する。
これらの制約領域からのレーダ戻り信号に対して、正規化適応整合フィルタ(NAMF)テスト統計における範囲、方位、高度及び一般化サイドローブキャンセラ(GSC)の出力パワーのヒートマップテンソルを生成する。
当社のディープラーニングフレームワークを使用して、これらのヒートマップテンソルからターゲット位置を推定し、マッチングとミスマッチ設定におけるデータ駆動アプローチによる実現可能性と大幅な改善を実証します。
関連論文リスト
- End-to-End Training of Neural Networks for Automotive Radar Interference
Mitigation [9.865041274657823]
本稿では,周波数変調連続波(WFMC)レーダ相互干渉緩和のためのニューラルネットワーク(NN)のトレーニング手法を提案する。
NNが干渉されたレーダー信号をきれいにするために訓練する代わりに、NNをオブジェクト検出マップ上で直接訓練する。
我々は,レーダを用いた物体検出のアルゴリズムであるCA-CFARピーク検出器の連続的な緩和を行う。
論文 参考訳（メタデータ） (2023-12-15T13:47:16Z) - 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) - Collaborative Learning with a Drone Orchestrator [79.75113006257872]
インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。
提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
論文 参考訳（メタデータ） (2023-03-03T23:46:25Z) - 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) - Toward Data-Driven STAP Radar [23.333816677794115]
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。
論文 参考訳（メタデータ） (2022-01-26T02:28:13Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z) - Collaborative Training between Region Proposal Localization and
Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。
本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文 参考訳（メタデータ） (2020-09-17T07:39:52Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z) - RIFLE: Backpropagation in Depth for Deep Transfer Learning through
Re-Initializing the Fully-connected LayEr [60.07531696857743]
事前訓練されたモデルを用いたディープ畳み込みニューラルネットワーク(CNN)の微調整は、より大きなデータセットから学習した知識をターゲットタスクに転送するのに役立つ。
転送学習環境におけるバックプロパゲーションを深める戦略であるRIFLEを提案する。
RIFLEは、深いCNN層の重み付けに意味のあるアップデートをもたらし、低レベルの機能学習を改善する。
論文 参考訳（メタデータ） (2020-07-07T11:27:43Z) - Centimeter-Level Indoor Localization using Channel State Information
with Recurrent Neural Networks [12.193558591962754]
本稿では,線形アンテナから収集した実CSIデータを用いて,センチメートルレベルの屋内位置推定を行うニューラルネットワーク手法を提案する。
チャネル応答の振幅または相関行列を入力として使用することにより、データサイズを大幅に削減し、ノイズを抑制することができる。
また、リカレントニューラルネットワーク(RNN)と信号雑音比(SNR)情報によるユーザ動作軌跡の整合性を利用して、推定精度をさらに向上する。
論文 参考訳（メタデータ） (2020-02-04T17:10:18Z)
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。