論文の概要: Combining SAR Simulators to Train ATR Models with Synthetic Data

• arxiv url: http://arxiv.org/abs/2510.24768v1
• Date: Fri, 24 Oct 2025 09:21:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.475903
• Title: Combining SAR Simulators to Train ATR Models with Synthetic Data
• Title（参考訳）: SARシミュレータによる合成データを用いたATRモデルの訓練
• Authors: Benjamin Camus, Julien Houssay, Corentin Le Barbu, Eric Monteux, Cédric Saleun, Christian Cochin,
• Abstract要約: 本研究の目的は、SAR(Synthetic Aperture Radar)画像上で、ディープラーニングモデルをトレーニングして、自動ターゲット認識(ATR)を実行することである。 実測値の欠如を回避するため,SARシミュレータによる合成データを利用する。 本稿では,異なる(しかし相補的な)パラダイムに基づいて合成データセットを生成する2つのSARシミュレータを組み合わせることで,ATR問題に対処する新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work aims to train Deep Learning models to perform Automatic Target Recognition (ATR) on Synthetic Aperture Radar (SAR) images. To circumvent the lack of real labelled measurements, we resort to synthetic data produced by SAR simulators. Simulation offers full control over the virtual environment, which enables us to generate large and diversified datasets at will. However, simulations are intrinsically grounded on simplifying assumptions of the real world (i.e. physical models). Thus, synthetic datasets are not as representative as real measurements. Consequently, ATR models trained on synthetic images cannot generalize well on real measurements. Our contributions to this problem are twofold: on one hand, we demonstrate and quantify the impact of the simulation paradigm on the ATR. On the other hand, we propose a new approach to tackle the ATR problem: combine two SAR simulators that are grounded on different (but complementary) paradigms to produce synthetic datasets. To this end, we use two simulators: MOCEM, which is based on a scattering centers model approach, and Salsa, which resorts on a ray tracing strategy. We train ATR models using synthetic dataset generated both by MOCEM and Salsa and our Deep Learning approach called ADASCA. We reach an accuracy of almost 88 % on the MSTAR measurements.
• Abstract（参考訳）: 本研究の目的は、SAR(Synthetic Aperture Radar)画像上で、ディープラーニングモデルをトレーニングして、自動ターゲット認識(ATR)を実行することである。 実測値の欠如を回避するため,SARシミュレータによる合成データを利用する。 シミュレーションは仮想環境を完全に制御し、大規模で多様なデータセットを自由に生成することを可能にする。 しかし、シミュレーションは実世界の仮定(物理モデル)を単純化することに本質的に基礎を置いている。 したがって、合成データセットは実測値ほど代表的ではない。 したがって、合成画像に基づいて訓練されたATRモデルは、実測値に対してうまく一般化できない。 この問題に対する我々の貢献は2つあり、一方、シミュレーションパラダイムがATRに与える影響を実証し、定量化しています。 一方,ATR問題に対する新たなアプローチとして,異なる(しかし相補的な)パラダイムに基づく2つのSARシミュレータを組み合わせることで,合成データセットを生成する。 この目的のために、散乱中心モデルに基づくMOCEMと、レイトレーシング戦略を利用したSalsaの2つのシミュレータを使用する。 我々はMOCEMとSalsaが生成した合成データセットとADASCAと呼ばれるディープラーニングアプローチを用いてATRモデルを訓練する。 MSTAR測定の精度は約88%に達する。

関連論文リスト

• A Synthetic Dataset for Manometry Recognition in Robotic Applications [0.686108371431346]
  手続き的レンダリングとAI駆動のビデオ生成を統合したハイブリッドデータ合成パイプラインを提案する。 YOLOベースの検出器は、合成データセットに基づいて訓練され、実際のデータと合成データを組み合わせた。
  論文  参考訳（メタデータ） (2025-08-24T17:52:13Z)
• Enhanced Super-Resolution Training via Mimicked Alignment for Real-World Scenes [51.92255321684027]
  トレーニング中、LR入力とHR画像の整列により、誤調整問題を緩和する新しいプラグアンドプレイモジュールを提案する。 具体的には,従来のLR試料の特徴を保ちながらHRと整合する新しいLR試料を模倣する。 本手法を合成および実世界のデータセット上で総合的に評価し,SRモデルのスペクトル間での有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-07T18:18:54Z)
• On the Effect of Purely Synthetic Training Data for Different Automatic Speech Recognition Architectures [19.823015917720284]
  音声認識学習における合成データの有用性について検討する。 我々は、元のトレーニングデータを再生し、合成データのみに基づいてASRシステムを訓練する。 トレーニングスコアが過度な適合を示す場合であっても,TTSモデルの一般化は良好であることを示す。
  論文  参考訳（メタデータ） (2024-07-25T12:44:45Z)
• Training Deep Learning Models with Hybrid Datasets for Robust Automatic Target Detection on real SAR images [0.13194391758295113]
  そこで本研究では,MOCEMシミュレータを用いて合成目標シグネチャを用いたATDモデルの学習手法を提案する。 我々は、合成データと実データの間の領域ギャップを埋めるために特別に調整されたATDモデルを訓練する。 我々のアプローチは、トレーニングに人工目標のみを使用しながら、実データ上で平均精度の90%に達することができる。
  論文  参考訳（メタデータ） (2024-05-15T09:26:24Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Robust SAR ATR on MSTAR with Deep Learning Models trained on Full Synthetic MOCEM data [0.0]
  シミュレーションは、合成トレーニングデータセットを作成することでこの問題を克服することができる。 ドメインランダム化手法と対角訓練を組み合わせることでこの問題を克服できることを示す。
  論文  参考訳（メタデータ） (2022-06-15T08:04:36Z)
• Style-Hallucinated Dual Consistency Learning for Domain Generalized Semantic Segmentation [117.3856882511919]
  本稿では、ドメインシフトを処理するためのStyle-HAllucinated Dual consistEncy Learning(SHADE)フレームワークを提案する。 SHADEは3つの実世界のデータセットの平均mIoUに対して5.07%と8.35%の精度で改善し、最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-06T02:49:06Z)

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。