論文の概要: Multi-stage Learning for Radar Pulse Activity Segmentation

• arxiv url: http://arxiv.org/abs/2312.09489v1
• Date: Fri, 15 Dec 2023 01:56:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-18 17:24:22.088595
• Title: Multi-stage Learning for Radar Pulse Activity Segmentation
• Title（参考訳）: レーダパルスアクティブセグメンテーションのための多段階学習
• Authors: Zi Huang, Akila Pemasiri, Simon Denman, Clinton Fookes, Terrence Martin
• Abstract要約: 無線信号認識は電子戦において重要な機能である。 電子戦システムでは、レーダパルス活動の正確な識別と位置決めが要求される。 ディープラーニングに基づくレーダーパルス活動認識法は、ほとんど未検討のままである。
• 参考スコア（独自算出の注目度）: 51.781832424705094
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Radio signal recognition is a crucial function in electronic warfare. Precise identification and localisation of radar pulse activities are required by electronic warfare systems to produce effective countermeasures. Despite the importance of these tasks, deep learning-based radar pulse activity recognition methods have remained largely underexplored. While deep learning for radar modulation recognition has been explored previously, classification tasks are generally limited to short and non-interleaved IQ signals, limiting their applicability to military applications. To address this gap, we introduce an end-to-end multi-stage learning approach to detect and localise pulse activities of interleaved radar signals across an extended time horizon. We propose a simple, yet highly effective multi-stage architecture for incrementally predicting fine-grained segmentation masks that localise radar pulse activities across multiple channels. We demonstrate the performance of our approach against several reference models on a novel radar dataset, while also providing a first-of-its-kind benchmark for radar pulse activity segmentation.
• Abstract（参考訳）: 無線信号認識は電子戦において重要な機能である。 レーダパルス活動の正確な同定と局所化は、効果的な対策を作成するために電子戦システムによって要求される。 これらのタスクの重要性にもかかわらず、深層学習に基づくレーダーパルス活動認識法は、ほとんど未探索のままである。 レーダー変調認識のための深層学習は以前から検討されてきたが、分類タスクは一般に短距離かつ非インターリーブのIQ信号に限られており、軍事的応用に限定している。 このギャップに対処するために、我々は、時間軸を延ばしたレーダー信号のパルス活動を検出し、ローカライズするエンドツーエンドの多段階学習手法を導入する。 本稿では,複数のチャネルにまたがるレーダパルスを局所化する微細なセグメンテーションマスクをインクリメンタルに予測する,シンプルかつ高効率なマルチステージアーキテクチャを提案する。 本稿では,新しいレーダデータセット上での複数の参照モデルに対するアプローチの有効性を示すとともに,レーダパルス活動セグメンテーションのための一級ベンチマークも提供する。

関連論文リスト

• 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)
• On Target Detection by Quantum Radar (Preprint) [1.0878040851637998]
  ノイズレーダと量子レーダは、送信信号のランダム性を利用して、レーダの隠蔽性を高め、相互干渉を低減する。 様々な量子レーダーの提案は有用な結果、特にステルスターゲットの検出に限られるものではない。
  論文  参考訳（メタデータ） (2024-02-29T18:58:40Z)
• 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)
• Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
  本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。 本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。 合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
  論文  参考訳（メタデータ） (2023-06-19T12:01:28Z)
• 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)
• ADCNet: Learning from Raw Radar Data via Distillation [3.519713957675842]
  レーダーベースのシステムは、LiDARベースのシステムよりも低コストで、悪天候に対して堅牢である。 最近の研究は、最終的なレーダー点雲の代わりに、生のレーダーデータを消費することに焦点を当てている。 我々は,信号処理パイプラインの要素を我々のネットワークに持ち込み,信号処理タスクの事前学習を行うことで,検出性能の状態を達成できることを示す。
  論文  参考訳（メタデータ） (2023-03-21T13:31:15Z)
• ERASE-Net: Efficient Segmentation Networks for Automotive Radar Signals [13.035425992944543]
  本稿では,効率的なレーダセグメンテーションネットワークであるERASE-Netを導入し,生のレーダ信号を意味的に分割する。 本手法は,最新技術(SOTA)と比較して,レーダセマンティックセグメンテーションタスクにおいて優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-26T18:23:22Z)
• Radar-to-Lidar: Heterogeneous Place Recognition via Joint Learning [11.259276512983492]
  本稿では,長期的位置認識のためのヘテロジニアス測定に基づくフレームワークを提案する。 深層ニューラルネットワークは、学習段階での共同トレーニングとともに構築され、テスト段階では、レーダーとライダーの共有埋め込みが抽出され、異種な場所認識が行われる。 実験結果から, 本モデルではライダー対ライダー, レーダー対レーダー, レーダー対ライダーの認識が可能であり, 学習モデルは1回に1回しか訓練されないことがわかった。
  論文  参考訳（メタデータ） (2021-01-30T15:34:58Z)
• LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
  本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。 自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
  論文  参考訳（メタデータ） (2020-10-02T00:13:00Z)
• 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。