論文の概要: Deep Learning-based Estimation for Multitarget Radar Detection

• arxiv url: http://arxiv.org/abs/2305.05621v1
• Date: Fri, 5 May 2023 16:22:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 19:13:38.120743
• Title: Deep Learning-based Estimation for Multitarget Radar Detection
• Title（参考訳）: 深層学習に基づくマルチターゲットレーダ検出
• Authors: Mamady Delamou, Ahmad Bazzi, Marwa Chafii and El Mehdi Amhoud
• Abstract要約: 本稿では,検出信号のレンジ・ドップラーマップから直接移動対象の範囲と速度を推定する,畳み込みニューラルネットワーク(CNN)に基づく新しい手法を提案する。 2D- periodogram, 2DResFreq, VGG-19 と比較すると, SNR = 30 dB の場合, SNR は 33 dB, 21 dB, 10 dB となる。
• 参考スコア（独自算出の注目度）: 11.623005206620496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Target detection and recognition is a very challenging task in a wireless environment where a multitude of objects are located, whether to effectively determine their positions or to identify them and predict their moves. In this work, we propose a new method based on a convolutional neural network (CNN) to estimate the range and velocity of moving targets directly from the range-Doppler map of the detected signals. We compare the obtained results to the two dimensional (2D) periodogram, and to the similar state of the art methods, 2DResFreq and VGG-19 network and show that the estimation process performed with our model provides better estimation accuracy of range and velocity index in different signal to noise ratio (SNR) regimes along with a reduced prediction time. Afterwards, we assess the performance of our proposed algorithm using the peak signal to noise ratio (PSNR) which is a relevant metric to analyse the quality of an output image obtained from compression or noise reduction. Compared to the 2D-periodogram, 2DResFreq and VGG-19, we gain 33 dB, 21 dB and 10 dB, respectively, in terms of PSNR when SNR = 30 dB.
• Abstract（参考訳）: ターゲット検出と認識は、多数の物体が位置する無線環境において、その位置を効果的に決定するか、特定して動きを予測するか、非常に困難なタスクである。 本研究では,検出信号のレンジ-ドップラーマップから直接移動対象の範囲と速度を推定する,畳み込みニューラルネットワーク(CNN)に基づく新しい手法を提案する。 得られた結果と2次元 (2D) 周期図, 技術手法の類似状況, 2DResFreq と VGG-19 ネットワークを比較し, このモデルを用いて行った推定プロセスは, 予測時間の短縮とともに, 異なる信号と雑音比 (SNR) における範囲および速度指数の推定精度を向上することを示した。 その後,圧縮やノイズ低減により得られた出力画像の品質を分析するための関連する指標であるピーク信号対雑音比(psnr)を用いて,提案アルゴリズムの性能を評価する。 2D- periodogram, 2DResFreq, VGG-19 と比較すると, SNR = 30 dB の場合, SNR は 33 dB, 21 dB, 10 dB となる。

関連論文リスト

• bit2bit: 1-bit quanta video reconstruction via self-supervised photon prediction [57.199618102578576]
  疎二分量時間画像データから高画質の画像スタックを元の解像度で再構成する新しい方法であるbit2bitを提案する。 Poisson denoisingの最近の研究に触発されて、スパースバイナリ光子データから高密度な画像列を生成するアルゴリズムを開発した。 本研究では,様々な課題の画像条件下でのSPADの高速映像を多種多種に含む新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2024-10-30T17:30:35Z)
• Dilated convolutional neural network for detecting extreme-mass-ratio inspirals [8.809900732195281]
  本稿では,周波数領域におけるシーケンスモデリングによるEMRI信号検出に着目したエンドツーエンドモデルDECODEを提案する。 我々は,SNRを50～120に蓄積した1年間のデータから,真正の96.3%を偽正の1%で達成した。
  論文  参考訳（メタデータ） (2023-08-31T03:16:38Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Change Detection from Synthetic Aperture Radar Images via Dual Path Denoising Network [38.78699830610313]
  SAR画像変化検出のためのDual Path Denoising Network (DPDNet)を提案する。 我々は,事前分類に関わるラベルノイズをクリーンにするために,ランダムなラベル伝搬を導入する。 また,特徴表現学習のための特徴的パッチ畳み込みを提案する。
  論文  参考訳（メタデータ） (2022-03-13T01:51:51Z)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:57:23Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Speckles-Training-Based Denoising Convolutional Neural Network Ghost Imaging [5.737427318960774]
  DnCNN(Denoising Convolutional Neural Networks)に基づく改良型ゴーストイメージング(GI)手法を提案する。 DnCNNにおける入力(雑音画像)と出力(残留画像)の対応にインスパイアされ、トレーニングを通してスペックルシーケンスと対応するGIの雑音分布のマッピングを構築する。 未知のターゲットを照らすのに同じスペックルシーケンスを使用し、消音ターゲット画像を取得します。
  論文  参考訳（メタデータ） (2021-04-07T02:56:57Z)
• Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
  本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。 本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
  論文  参考訳（メタデータ） (2021-03-01T19:19:38Z)
• 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)
• Explaining Regression Based Neural Network Model [4.94950858749529]
  本稿では,ほとんどの最先端結果に現れるノイズを低減させるいくつかのトレーニングに基づいて,精度の高い勾配を求めるAGRAという新しい手法を提案する。 比較結果から,提案手法は信号にエラーが発生した時間ステップの特定において,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-04-15T07:38:40Z)

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。