論文の概要: Super-Resolution Radar Imaging with Sparse Arrays Using a Deep Neural
Network Trained with Enhanced Virtual Data
- arxiv url: http://arxiv.org/abs/2306.09839v1
- Date: Fri, 16 Jun 2023 13:37:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 13:38:59.347727
- Title: Super-Resolution Radar Imaging with Sparse Arrays Using a Deep Neural
Network Trained with Enhanced Virtual Data
- Title（参考訳）: 仮想データを用いた深部ニューラルネットワークを用いたスパースアレイを用いた超解像レーダイメージング
- Authors: Christian Schuessler, Marcel Hoffmann, Martin Vossiek
- Abstract要約: 本稿では,極薄レーダー開口部からのレーダデータを完全に処理できるディープニューラルネットワーク(DNN)に基づく手法を提案する。
提案したDNN処理は、エイリアスフリーレーダイメージングと超解像の両方を提供することができる。
完全に占有された配列で達成されるのとほぼ同じ解像度と画質を同時に提供する。
- 参考スコア（独自算出の注目度）: 0.4640835690336652
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces a method based on a deep neural network (DNN) that is
perfectly capable of processing radar data from extremely thinned radar
apertures. The proposed DNN processing can provide both aliasing-free radar
imaging and super-resolution. The results are validated by measuring the
detection performance on realistic simulation data and by evaluating the
Point-Spread-function (PSF) and the target-separation performance on measured
point-like targets. Also, a qualitative evaluation of a typical automotive
scene is conducted. It is shown that this approach can outperform
state-of-the-art subspace algorithms and also other existing machine learning
solutions. The presented results suggest that machine learning approaches
trained with sufficiently sophisticated virtual input data are a very promising
alternative to compressed sensing and subspace approaches in radar signal
processing. The key to this performance is that the DNN is trained using
realistic simulation data that perfectly mimic a given sparse antenna radar
array hardware as the input. As ground truth, ultra-high resolution data from
an enhanced virtual radar are simulated. Contrary to other work, the DNN
utilizes the complete radar cube and not only the antenna channel information
at certain range-Doppler detections. After training, the proposed DNN is
capable of sidelobe- and ambiguity-free imaging. It simultaneously delivers
nearly the same resolution and image quality as would be achieved with a fully
occupied array.
- Abstract（参考訳）: 本稿では,極薄レーダー開口部からのレーダデータを完全に処理できるディープニューラルネットワーク(DNN)に基づく手法を提案する。
提案するdnn処理は、エイリアシングフリーレーダーイメージングと超解像の両方を提供することができる。
実写シミュレーションデータによる検出性能の測定と、測定された点状ターゲットにおける点スプレッド関数(psf)および目標分離性能の評価により、結果を検証する。
また、典型的な自動車シーンの質的評価を行う。
このアプローチは最先端のサブスペースアルゴリズムや他の既存の機械学習ソリューションよりも優れていることが示されている。
その結果、十分に洗練された仮想入力データで訓練された機械学習アプローチは、レーダー信号処理における圧縮センシングとサブスペースアプローチの代替として非常に有望であることが示唆された。
この性能の鍵は、DNNが与えられたスパースアンテナレーダアレイハードウェアを入力として完全に模倣する現実的なシミュレーションデータを使って訓練されていることである。
地上の事実として、拡張仮想レーダーからの超高解像度データをシミュレーションする。
他の研究とは対照的に、DNNは完全なレーダーキューブを使用し、特定のレンジドップラー検出時のアンテナチャネル情報のみを使用する。
トレーニング後、提案したDNNはサイドローブとあいまいさのないイメージングを行うことができる。
完全に占有された配列で達成されるのとほぼ同じ解像度と画質を同時に提供する。
関連論文リスト
- Redefining Automotive Radar Imaging: A Domain-Informed 1D Deep Learning Approach for High-Resolution and Efficient Performance [6.784861785632841]
本研究では,1次元(1次元)信号の超解像スペクトル推定問題として,レーダー画像の超解像を再定義する。
自動車レーダイメージングのための最適化されたディープラーニングネットワークは、優れたスケーラビリティ、パラメータ効率、高速推論速度を示す。
我々のSR-SPECNetは、高解像度のレーダレンジ方位画像を作成するための新しいベンチマークを設定している。
論文 参考訳（メタデータ） (2024-06-11T16:07:08Z) - Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。
提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。
本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
論文 参考訳（メタデータ） (2024-05-07T20:44:48Z) - 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) - Echoes Beyond Points: Unleashing the Power of Raw Radar Data in
Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。
具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文 参考訳（メタデータ） (2023-07-31T09:53:50Z) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳（メタデータ） (2023-07-03T04:10:55Z) - 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) - DeepHybrid: Deep Learning on Automotive Radar Spectra and Reflections
for Object Classification [0.5669790037378094]
本稿では,従来のレーダ信号処理とディープラーニングアルゴリズムを組み合わせた手法を提案する。
提案手法は, 自動緊急ブレーキや衝突回避システムの改善などに用いることができる。
論文 参考訳（メタデータ） (2022-02-17T08:45:11Z) - 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) - There and Back Again: Learning to Simulate Radar Data for Real-World
Applications [21.995474023869388]
我々は、シミュレーションされた標高マップに基づいて忠実なレーダー観測を合成できるレーダセンサモデルを学ぶ。
我々は、不整合レーダの例から前方センサーモデルを学ぶための敵対的アプローチを採用する。
実環境におけるシミュレーションデータに基づいて純粋に訓練された下流セグメンテーションモデルを評価することにより,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2020-11-29T15:49:23Z) - RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。
我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。
RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文 参考訳（メタデータ） (2020-07-28T17:15:02Z)
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。