論文の概要: Support Vector Data Description for Radar Target Detection

• arxiv url: http://arxiv.org/abs/2602.18486v1
• Date: Wed, 11 Feb 2026 07:57:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 07:21:25.613113
• Title: Support Vector Data Description for Radar Target Detection
• Title（参考訳）: レーダターゲット検出のためのサポートベクトルデータ記述
• Authors: Jean Pinsolle, Yadang Alexis Rouzoumka, Chengfang Ren, Chistèle Morisseau, Jean-Philippe Ovarlez,
• Abstract要約: Vector Data Description (SVDD) と、その深い拡張であるDeep SVDDをターゲット検出にサポートする。 SVDDに基づく新しい2つの検出アルゴリズムを提案し、シミュレーションレーダデータ上での有効性を実証する。
• 参考スコア（独自算出の注目度）: 4.2626473663170446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classical radar detection techniques rely on adaptive detectors that estimate the noise covariance matrix from target-free secondary data. While effective in Gaussian environments, these methods degrade in the presence of clutter, which is better modeled by heavy-tailed distributions such as the Complex Elliptically Symmetric (CES) and Compound-Gaussian (CGD) families. Robust covariance estimators like M-estimators or Tyler's estimator address this issue, but still struggle when thermal noise combines with clutter. To overcome these challenges, we investigate the use of Support Vector Data Description (SVDD) and its deep extension, Deep SVDD, for target detection. These one-class learning methods avoid direct noise covariance estimation and are adapted here as CFAR detectors. We propose two novel SVDD-based detection algorithms and demonstrate their effectiveness on simulated radar data.
• Abstract（参考訳）: 古典的なレーダー検出技術は、ターゲットフリー二次データからノイズ共分散行列を推定する適応検出器に依存している。 これらの手法はガウス的環境において有効であるが,複素楕円対称(CES)や複合ガウス的(CGD)といった重み付き分布によりモデル化されたクラッタの存在下では劣化する。 M-推定器やタイラー推定器のようなロバストな共分散推定器はこの問題に対処するが、熱ノイズと乱れが組み合わさっていまだに苦戦している。 これらの課題を克服するために,Support Vector Data Description (SVDD)とその深部拡張であるDeep SVDDをターゲット検出に利用することを検討した。 これらの一級学習法は、直接ノイズ共分散推定を回避し、CFAR検出器として適応する。 SVDDに基づく新しい2つの検出アルゴリズムを提案し、シミュレーションレーダデータ上での有効性を実証する。

関連論文リスト

• RADAR: Retrieval-Augmented Detector with Adversarial Refinement for Robust Fake News Detection [50.073924438848316]
  本稿では,強靭な偽ニュース検出のための対角補正機能を備えた検索拡張検出器RADARを提案する。 提案手法では,現実の物品を現実の摂動で書き直すジェネレータを用いて,高密度経路探索によるクレームの検証を行う軽量検出器と組み合わせる。
  論文  参考訳（メタデータ） (2026-01-07T14:52:15Z)
• Integrated Detection and Tracking Based on Radar Range-Doppler Feature [5.105494966738438]
  追跡結果から検出しきい値を動的に調整することに焦点を当てた電流検出追跡手法は,レーダ信号の可能性を十分に活用する上での課題である。 本稿では、レーダ信号検出のためのネットワークアーキテクチャと、検出支援を利用するトラッカーを含む、レーダ特徴量(InDT)に基づく統合検出・追跡手法を提案する。
  論文  参考訳（メタデータ） (2025-09-08T11:32:58Z)
• Out-of-Distribution Radar Detection in Compound Clutter and Thermal Noise through Variational Autoencoders [0.0]
  本稿では,変分オートエンコーダ(VAE)を用いた新しいレーダー目標検出手法を提案する。 複雑な分布を学習し、分布外サンプルを識別できることで知られ、提案されたVAEアーキテクチャは、レーダーターゲットと様々なノイズタイプを効果的に区別する。
  論文  参考訳（メタデータ） (2025-03-06T09:38:14Z)
• Multitask Learning for SAR Ship Detection with Gaussian-Mask Joint Segmentation [20.540873039361102]
  本稿では,オブジェクト検出,スペックル抑制,ターゲットセグメンテーションタスクからなるSAR船舶検出のためのマルチタスク学習フレームワークを提案する。 アスペクト比重み付けによる角度分類損失を導入し、角度周期性と物体比に対処して検出精度を向上させる。 スペックル抑制タスクはデュアルフュージョンアテンション機構を使用してノイズを低減し、浅くノイズを生じさせる特徴を融合させ、ロバスト性を高める。 ターゲットセグメンテーションタスクは、回転したガウスマスクを利用して、乱雑な背景から対象領域を抽出するネットワークを支援し、画素レベルの予測により検出効率を向上させる。
  論文  参考訳（メタデータ） (2024-11-21T05:10:41Z)
• Efficient Meta-Learning Enabled Lightweight Multiscale Few-Shot Object Detection in Remote Sensing Images [15.12889076965307]
  YOLOv7ワンステージ検出器は、新しいメタラーニングトレーニングフレームワークが組み込まれている。 この変換により、検出器はFSODのタスクに十分対応できると同時に、その固有の軽量化の利点を活かすことができる。 提案検出器の有効性を検証するため, 現状の検出器と性能比較を行った。
  論文  参考訳（メタデータ） (2024-04-29T04:56:52Z)
• Multistatic-Radar RCS-Signature Recognition of Aerial Vehicles: A Bayesian Fusion Approach [10.908489565519211]
  無人航空機(UAV)用のレーダー自動目標認識(RATR)は、電磁波(EMW)を送信し、受信したレーダーエコーに対して目標型認識を行う。 これまでの研究では、RATRにおけるモノスタティックレーダよりも、マルチスタティックレーダの構成の利点を強調していた。 本稿では,複数のレーダからの分類確率ベクトルを集約するために,OBF(Optimal Bayesian Fusion)を用いた完全ベイズRATRフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-28T02:11:47Z)
• 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)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Detection in Crowded Scenes: One Proposal, Multiple Predictions [79.28850977968833]
  混み合ったシーンにおける高過度なインスタンスを検出することを目的とした,提案手法によるオブジェクト検出手法を提案する。 このアプローチの鍵は、各提案が以前の提案ベースのフレームワークの1つではなく、関連したインスタンスのセットを予測できるようにすることです。 我々の検出器は、CrowdHumanデータセットの挑戦に対して4.9%のAPゲインを得ることができ、CityPersonsデータセットでは1.0%$textMR-2$の改善がある。
  論文  参考訳（メタデータ） (2020-03-20T09:48:53Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。