論文の概要: Out-of-Distribution Radar Detection with Complex VAEs: Theory, Whitening, and ANMF Fusion
- arxiv url: http://arxiv.org/abs/2601.18677v1
- Date: Mon, 26 Jan 2026 16:51:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:08.948676
- Title: Out-of-Distribution Radar Detection with Complex VAEs: Theory, Whitening, and ANMF Fusion
- Title（参考訳）: 複素VAEを用いた分布外レーダ検出:理論・白化・ANMF融合
- Authors: Yadang Alexis Rouzoumka, Jean Pinsolle, Eugénie Terreaux, Christèle Morisseau, Jean-Philippe Ovarlez, Chengfang Ren,
- Abstract要約: 複素数値変分オートエンコーダ(CVAE)は、外部分布検出を行うためにクラッタプラスノイズのみを訓練した。
古典的かつ適応的な検出器に対して性能をベンチマークする。
その結果, 統計的正規化と複素数値生成モデルが組み合わさって, 現実的な海面クラッタ条件における検出を大幅に改善できることが示唆された。
- 参考スコア（独自算出の注目度）: 5.205040944294552
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate the detection of weak complex-valued signals immersed in non-Gaussian, range-varying interference, with emphasis on maritime radar scenarios. The proposed methodology exploits a Complex-valued Variational AutoEncoder (CVAE) trained exclusively on clutter-plus-noise to perform Out-Of-Distribution detection. By operating directly on in-phase / quadrature samples, the CVAE preserves phase and Doppler structure and is assessed in two configurations: (i) using unprocessed range profiles and (ii) after local whitening, where per-range covariance estimates are obtained from neighboring profiles. Using extensive simulations together with real sea-clutter data from the CSIR maritime dataset, we benchmark performance against classical and adaptive detectors (MF, NMF, AMF-SCM, ANMF-SCM, ANMF-Tyler). In both configurations, the CVAE yields a higher detection probability Pd at matched false-alarm rate Pfa, with the most notable improvements observed under whitening. We further integrate the CVAE with the ANMF through a weighted log-p fusion rule at the decision level, attaining enhanced robustness in strongly non-Gaussian clutter and enabling empirically calibrated Pfa control under H0. Overall, the results demonstrate that statistical normalization combined with complex-valued generative modeling substantively improves detection in realistic sea-clutter conditions, and that the fused CVAE-ANMF scheme constitutes a competitive alternative to established model-based detectors.
- Abstract（参考訳）: 本研究では,非ガウス的,範囲の異なる干渉に没入した弱複素値信号の検出について,海洋レーダのシナリオに着目して検討する。
提案手法は, クラッタプラスノイズのみを専門に訓練した複合値変分オートエンコーダ(CVAE)を用いて, 外部分布検出を行う。
CVAEは相内/4次サンプルを直接操作することにより、相とドップラー構造を保存し、2つの構成で評価する。
(i)未処理の範囲プロファイルと使用
(ii) 局所的な白化の後, 近傍のプロファイルから範囲ごとの共分散推定値を得る。
CSIR海洋データセットの実際の海塊データと合わせて,古典的かつ適応的な検出器 (MF, NMF, AMF-SCM, ANMF-SCM, ANMF-Tyler) との比較を行った。
両方の構成において、CVAEは一致した偽アラームレートPfaにおける高い検出確率Pdを得るが、最も顕著な改善は白化下で観察されたことである。
さらに, CVAEとANMFを重み付き対数核融合法により統合し, 強い非ガウス的クラッタの堅牢性を向上し, H0下でのPfa制御を実証的に可能とした。
その結果, 複素数値生成モデルと組み合わせた統計的正規化は, 現実的な海面クラッタ条件における検出を瞬時に改善し, 融合CVAE-ANMF方式が確立されたモデルベース検出器と競合する代替手段となることを示した。
関連論文リスト
- SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。
時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。
SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
論文 参考訳（メタデータ） (2026-01-19T07:42:45Z) - Latent-space metrics for Complex-Valued VAE out-of-distribution detection under radar clutter [1.0439136407307046]
複雑なレーダ環境におけるOF-Distribution(OOD)検出のための複雑な値付き変分オートエンコーダ(CVAE)について検討する。
CVAE(CVAE-MSE)の復元誤差(Mahalanobis, Kullback-Leibler divergence(KLD))とANMF-Tyler検出器(ANMF-FP)との比較を行った。
これらの検出器の性能は、合成および実験レーダーデータに基づいて分析され、それぞれの検出器の利点と弱点を示している。
論文 参考訳（メタデータ） (2025-11-25T00:20:04Z) - Bifidelity Karhunen-Loève Expansion Surrogate with Active Learning for Random Fields [0.4899818550820576]
本稿では、不確実な入力条件下で、フィールド値の利子(QoIs)に対する二元性カルフネン・ローブ拡張(KLE)サロゲートモデルを提案する。
我々は,サロゲートの一般化誤差に基づいて,新しいHF評価を適応的に選択する能動的学習戦略を形成する。
新しいHFサンプルは、高いサロゲート誤差の領域をターゲットとして、期待される改善基準を最大化することによって取得される。
論文 参考訳（メタデータ） (2025-11-05T04:14:44Z) - Multi-Representation Attention Framework for Underwater Bioacoustic Denoising and Recognition [0.924965746838578]
生体関連エネルギーのソフトマスクを生成するために、まずスペクトログラムをセグメント化する多段階の注意誘導フレームワークを導入する。
画像とマスクの埋め込みは、中間レベルの融合によって統合され、モデルが正常なスペクトル領域に集中できるようにする。
カナダのセイグネイ・セントローレンス海洋公園研究ステーションの実際の記録を用いて、セグメンテーション駆動の注意と中級核融合が信号の識別を改善することを実証した。
論文 参考訳（メタデータ） (2025-10-29T22:49:15Z) - Ecologically Valid Benchmarking and Adaptive Attention: Scalable Marine Bioacoustic Monitoring [2.558238597112103]
GetNetUPAMは、現実的な可変性の下で安定性をモデル化するためのネストされたクロスバリデーションフレームワークである。
データは異なるサイト年区分に分割され、記録を保存し、各バリデーションフォールドがユニークな環境サブセットを反映することを保証する。
ARPA-Nは、DenseNetベースラインに対する平均精度が14.4%向上し、すべてのメトリクスで対数2スケールのオーダー・オブ・マグニチュードが減少する。
論文 参考訳（メタデータ） (2025-09-04T22:03:05Z) - Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。
本稿では,GAA (Generate grained Anomaly) を提案する。
GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
論文 参考訳（メタデータ） (2025-07-13T12:56:59Z) - CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。
識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。
本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
論文 参考訳（メタデータ） (2025-06-13T13:30:15Z) - ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model [51.83639270669481]
ハイパースペクトル画像(HSI)における教師なし異常検出は、背景から未知のターゲットを検出することを目的としている。
HSI研究は、HSIの高次元特性と高密度サンプリングベーストレーニングパラダイムにより、計算コストの急激さによって妨げられている。
計算コストを大幅に削減する非対称コンセンサス状態空間モデル(ACMamba)を提案する。
論文 参考訳（メタデータ） (2025-04-16T05:33:42Z) - Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。
モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。
さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
論文 参考訳（メタデータ） (2024-10-16T07:48:53Z) - Momentum Contrastive Autoencoder: Using Contrastive Learning for Latent
Space Distribution Matching in WAE [51.09507030387935]
Wasserstein autoencoder (WAE) は、2つの分布が一致することは、このAEの潜在空間が予め指定された事前分布と一致するという制約の下で、単純なオートエンコーダ(AE)損失を最小限にすることと同値であることを示している。
本稿では,この問題を解決する手段として,自己指導型表現学習に有効であることを示すコントラスト学習フレームワークを提案する。
WAEの損失を最適化するために、対照的な学習フレームワークを使用することで、WAEの一般的なアルゴリズムと比較して、より高速に収束し、より安定した最適化が達成できることを示す。
論文 参考訳（メタデータ） (2021-10-19T22:55:47Z)
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。