論文の概要: Reinforcement Learning for SAR View Angle Inversion with Differentiable SAR Renderer

• arxiv url: http://arxiv.org/abs/2401.01165v1
• Date: Tue, 2 Jan 2024 11:47:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 14:14:37.991846
• Title: Reinforcement Learning for SAR View Angle Inversion with Differentiable SAR Renderer
• Title（参考訳）: 微分型SARレンダを用いたSARビュー角インバージョンのための強化学習
• Authors: Yanni Wang, Hecheng Jia, Shilei Fu, Huiping Lin, Feng Xu
• Abstract要約: 本研究の目的は,合成開口レーダ(SAR)画像における目標モデルによるレーダー視角の反転である。 エージェントと環境との相互作用を容易にするために、微分可能SARレンダリング(DSR)という電磁シミュレータが組み込まれている。
• 参考スコア（独自算出の注目度）: 7.112962861847319
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The electromagnetic inverse problem has long been a research hotspot. This study aims to reverse radar view angles in synthetic aperture radar (SAR) images given a target model. Nonetheless, the scarcity of SAR data, combined with the intricate background interference and imaging mechanisms, limit the applications of existing learning-based approaches. To address these challenges, we propose an interactive deep reinforcement learning (DRL) framework, where an electromagnetic simulator named differentiable SAR render (DSR) is embedded to facilitate the interaction between the agent and the environment, simulating a human-like process of angle prediction. Specifically, DSR generates SAR images at arbitrary view angles in real-time. And the differences in sequential and semantic aspects between the view angle-corresponding images are leveraged to construct the state space in DRL, which effectively suppress the complex background interference, enhance the sensitivity to temporal variations, and improve the capability to capture fine-grained information. Additionally, in order to maintain the stability and convergence of our method, a series of reward mechanisms, such as memory difference, smoothing and boundary penalty, are utilized to form the final reward function. Extensive experiments performed on both simulated and real datasets demonstrate the effectiveness and robustness of our proposed method. When utilized in the cross-domain area, the proposed method greatly mitigates inconsistency between simulated and real domains, outperforming reference methods significantly.
• Abstract（参考訳）: 電磁逆問題は長い間研究のホットスポットだった。 本研究の目的は,合成開口レーダ(SAR)画像における目標モデルによるレーダー視角の反転である。 それにもかかわらず、SARデータの不足と複雑な背景干渉とイメージング機構が組み合わさって、既存の学習ベースのアプローチの適用を制限する。 これらの課題に対処するために、エージェントと環境との相互作用を促進するために、差別化可能なSARレンダリング(DSR)という名前の電磁シミュレータを組み込んだ対話型深部強化学習(DRL)フレームワークを提案する。 具体的には、DSRは任意の視角でリアルタイムでSAR画像を生成する。 また、ビュー角対応画像間の逐次的・意味的な相違を利用してDRLの状態空間を構築することにより、複雑な背景干渉を効果的に抑制し、時間変動に対する感度を高め、きめ細かい情報をキャプチャする能力を向上させる。 また, 本手法の安定性と収束性を維持するため, メモリ差, 平滑化, 境界ペナルティなどの一連の報酬機構を用いて最終報酬関数を構成する。 シミュレーションおよび実データを用いた実験により,提案手法の有効性とロバスト性を示した。 クロスドメイン領域で利用する場合,提案手法は実領域と模擬領域の整合性を著しく軽減し,参照手法よりも優れる。

関連論文リスト

• Adaptive Residual Transformation for Enhanced Feature-Based OOD Detection in SAR Imagery [5.63530048112308]
  実際の戦場シナリオにおける未知の標的の存在は避けられない。 この問題に対処するために、様々な機能ベースのアウト・オブ・ディストリビューションアプローチが開発されている。 我々は,特徴量に基づくOOD検出をクラス局所化された特徴量に基づくアプローチに変換することを提案する。
  論文  参考訳（メタデータ） (2024-11-01T00:09:02Z)
• MODEL&CO: Exoplanet detection in angular differential imaging by learning across multiple observations [37.845442465099396]
  ほとんどの後処理法は、対象の観測自体から核分裂のモデルを構築している。 本稿では,教師付き深層学習技術を利用して,複数観測のアーカイブからニュアンスモデルを構築することを提案する。 本稿では,提案手法をVLT/SPHERE機器から得られた複数のデータセットに適用し,高精度なリコールトレードオフを示す。
  論文  参考訳（メタデータ） (2024-09-23T09:22:45Z)
• Mitigating Data Consistency Induced Discrepancy in Cascaded Diffusion Models for Sparse-view CT Reconstruction [4.227116189483428]
  本研究は, 離散性緩和フレームワークを用いた新規なカスケード拡散について紹介する。 潜在空間の低画質画像生成と画素空間の高画質画像生成を含む。 これは、いくつかの推論ステップをピクセル空間から潜在空間に移すことによって計算コストを最小化する。
  論文  参考訳（メタデータ） (2024-03-14T12:58:28Z)
• Learning Surface Scattering Parameters From SAR Images Using Differentiable Ray Tracing [8.19502673278742]
  本稿では,スペキュラとディフューズの両方を包括的に考慮した表面マイクロ波レンダリングモデルを提案する。 CSVBSDF表面散乱パラメータ学習のためのSAR画像に基づく微分可能レイトレーシング(DRT)エンジンを構築した。 提案手法の有効性はシミュレーションと実SAR画像との比較により検証されている。
  論文  参考訳（メタデータ） (2024-01-02T12:09:06Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Near-filed SAR Image Restoration with Deep Learning Inverse Technique: A Preliminary Study [5.489791364472879]
  近接場合成開口レーダ(SAR)は、ターゲットの散乱分布ホットスポットの高解像度画像を提供する。 一方、撮像の結果は、サイドローブ、クラッタ、ノイズから必然的に劣化する。 イメージを復元するために、現在の手法では、例えば、点拡散関数(PSF)は空間的に一貫したものであり、ターゲットはスパース点散乱器などで構成されている。 我々は、分解モデルを空間的に可変な複素畳み込みモデルに再構成し、近接場SARのシステム応答を考慮した。 モデルに基づくディープラーニングネットワークは、復元するために設計されている
  論文  参考訳（メタデータ） (2022-11-28T01:28:33Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• RISP: Rendering-Invariant State Predictor with Differentiable Simulation and Rendering for Cross-Domain Parameter Estimation [110.4255414234771]
  既存のソリューションでは、大量のトレーニングデータが必要か、未知のレンダリング設定への一般化性が欠如している。 本稿では、ドメインのランダム化と微分可能なレンダリング勾配を併用してこの問題に対処する手法を提案する。 提案手法は, 再構成誤差を大幅に低減し, 未知のレンダリング構成間の一般化性が向上する。
  論文  参考訳（メタデータ） (2022-05-11T17:59:51Z)
• Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition [59.29808528182607]
  クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。 既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。 本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
  論文  参考訳（メタデータ） (2021-03-25T14:03:42Z)
• Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
  実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。 監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。 ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
  論文  参考訳（メタデータ） (2020-12-18T08:25:39Z)

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。