論文の概要: EMWaveNet: Physically Explainable Neural Network Based on Electromagnetic Propagation for SAR Target Recognition

• arxiv url: http://arxiv.org/abs/2410.09749v2
• Date: Thu, 26 Dec 2024 13:22:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:22:15.297866
• Title: EMWaveNet: Physically Explainable Neural Network Based on Electromagnetic Propagation for SAR Target Recognition
• Title（参考訳）: EMWaveNet:SARターゲット認識のための電磁伝搬に基づく物理的に説明可能なニューラルネットワーク
• Authors: Zhuoxuan Li, Xu Zhang, Shumeng Yu, Haipeng Wang,
• Abstract要約: 本研究では,複雑なSAR画像認識のための物理的に説明可能なフレームワークを提案する。 ネットワークアーキテクチャは完全にパラメータ化されており、すべての学習可能なパラメータには明確な物理的意味がある。 提案手法は, 強力な物理決定論理, 高い物理説明性, 堅牢性, および優れた de-aliasing 機能を有する。
• 参考スコア（独自算出の注目度）: 4.251056028888424
• License:
• Abstract: Deep learning technologies have significantly improved performance in the field of synthetic aperture radar (SAR) image target recognition compared to traditional methods. However, the inherent ``black box" property of deep learning models leads to a lack of transparency in decision-making processes, making them difficult to be widespread applied in practice. To tackle this issue, this study proposes a physically explainable framework for complex-valued SAR image recognition, designed based on the physical process of microwave propagation. This framework utilizes complex-valued SAR data to explore the amplitude and phase information and its intrinsic physical properties. The network architecture is fully parameterized, with all learnable parameters endowed with clear physical meanings. Experiments on both the complex-valued MSTAR dataset and a self-built Qilu-1 complex-valued dataset were conducted to validate the effectiveness of framework. The de-overlapping capability of EMWaveNet enables accurate recognition of overlapping target categories, whereas other models are nearly incapable of performing such recognition. Against 0dB forest background noise, it boasts a 20\% accuracy improvement over traditional neural networks. When targets are 60\% masked by noise, it still outperforms other models by 9\%. An end-to-end complex-valued synthetic aperture radar automatic target recognition (SAR-ATR) algorithm is constructed to perform recognition tasks in interference SAR scenarios. The results demonstrate that the proposed method possesses a strong physical decision logic, high physical explainability and robustness, as well as excellent de-aliasing capabilities. Finally, a perspective on future applications is provided.
• Abstract（参考訳）: 深層学習技術は、従来の手法と比較して合成開口レーダ(SAR)画像目標認識の分野における性能を著しく向上させた。 しかし、ディープラーニングモデルに固有の‘ブラックボックス’の性質は、意思決定プロセスにおける透明性の欠如につながります。 そこで本研究では,マイクロ波伝搬の物理過程に基づく複雑なSAR画像認識のための物理的に説明可能なフレームワークを提案する。 このフレームワークは、複雑な値を持つSARデータを用いて、振幅および位相情報とその固有の物理特性を探索する。 ネットワークアーキテクチャは完全にパラメータ化されており、すべての学習可能なパラメータには明確な物理的意味がある。 複雑な値を持つMSTARデータセットと自己構築されたQilu-1複合値データセットの両方の実験を行い、フレームワークの有効性を検証した。 EMWaveNetの重複解消機能は、重複する対象カテゴリの正確な認識を可能にするが、他のモデルではそのような認識がほとんどできない。 0dBの森の背景ノイズに対して、従来のニューラルネットワークよりも20倍の精度で改善されている。 60 % のターゲットがノイズで遮蔽されている場合、他のモデルよりも 9 % 上回っている。 合成開口レーダ自動目標認識(SAR-ATR)アルゴリズムは、干渉SARシナリオにおける認識タスクを実行するために構築される。 提案手法は, 高い物理的論理, 高い物理的説明性, 堅牢性, および優れた de-aliasing 能力を有することを示す。 最後に、将来のアプリケーションに対する展望を提供する。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• IncSAR: A Dual Fusion Incremental Learning Framework for SAR Target Recognition [7.9330990800767385]
  破滅的な忘れ方として知られる新しいタスクを学ぶとき、モデルが古い知識を忘れる傾向は、未解決の課題である。 本稿では,SAR目標認識における破滅的忘れを緩和するために,IncSARと呼ばれる漸進的学習フレームワークを提案する。 IncSARはビジョントランスフォーマー(ViT)と、遅延融合戦略によって結合された個々のブランチにカスタム設計の畳み込みニューラルネットワーク(CNN)を備える。
  論文  参考訳（メタデータ） (2024-10-08T08:49:47Z)
• Towards SAR Automatic Target Recognition MultiCategory SAR Image Classification Based on Light Weight Vision Transformer [11.983317593939688]
  本稿では,SAR画像の分類に軽量な視覚変換器モデルを適用しようとする。 構造全体がオープンアクセスされたSARデータセットによって検証された。
  論文  参考訳（メタデータ） (2024-05-18T11:24:52Z)
• Efficient and Accurate Hyperspectral Image Demosaicing with Neural Network Architectures [3.386560551295746]
  本研究では,ハイパースペクトル画像復調におけるニューラルネットワークアーキテクチャの有効性について検討した。 様々なネットワークモデルと修正を導入し、それらを従来の手法や既存の参照ネットワークアプローチと比較する。 その結果、我々のネットワークは、例外的な性能を示す両方のデータセットにおいて、参照モデルよりも優れるか、一致していることがわかった。
  論文  参考訳（メタデータ） (2023-12-21T08:02:49Z)
• Benchmarking Deep Learning Classifiers for SAR Automatic Target Recognition [7.858656052565242]
  本稿では,複数のSARデータセットを用いたSAR ATRの先進的な深層学習モデルを総合的にベンチマークする。 推論スループットと解析性能の観点から,分類精度のランタイム性能に関する5つの分類器の評価と比較を行った。 SAR ATRの領域では、すべてのモデルルールが疑わしいのです。
  論文  参考訳（メタデータ） (2023-12-12T02:20:39Z)
• Neural Network Pruning by Gradient Descent [7.427858344638741]
  我々は,Gumbel-Softmaxテクニックを取り入れた,新しい,かつ簡単なニューラルネットワークプルーニングフレームワークを提案する。 ネットワークパラメータの0.15%しか持たないMNISTデータセット上で、高い精度を維持しながら、例外的な圧縮能力を実証する。 我々は,ディープラーニングプルーニングと解釈可能な機械学習システム構築のための,有望な新たな道を開くと信じている。
  論文  参考訳（メタデータ） (2023-11-21T11:12:03Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• 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)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)

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。