論文の概要: JointHRRP-Net: A Statistically Constrained Decoupling Network for Joint Target and Jamming Recognition in Composite Jamming
- arxiv url: http://arxiv.org/abs/2605.22857v1
- Date: Tue, 19 May 2026 08:58:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 17:29:20.000346
- Title: JointHRRP-Net: A Statistically Constrained Decoupling Network for Joint Target and Jamming Recognition in Composite Jamming
- Title（参考訳）: 関節HRRP-Net:複合ジャミングにおける関節目標とジャミング認識のための統計的制約付きデカップリングネットワーク
- Authors: Yunfei Zhao, Mei Liu, Shuowei Liu, Xunzhang Gao, Yujie Zhou,
- Abstract要約: 高分解能レンジプロファイル(HRRP)に基づくレーダー自動目標認識は、ジャミング環境での厳しい性能劣化に悩まされる。
本稿では,ジョイントターゲットジャミング認識のための統合フレームワークであるジョイントHRRP-Netを提案する。
- 参考スコア（独自算出の注目度）: 14.51679448895586
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-resolution range profile (HRRP)-based radar automatic target recognition suffers from severe performance degradation in composite jamming environments. Active jamming introduces suppression- and deception-related components into the received range profile. After pulse compression, these components are coupled with target echoes in the HRRP domain, making target-related scattering peaks difficult to distinguish and weakening feature separability. To address this problem, this paper proposes JointHRRP-Net, a unified framework for joint target-jamming recognition. A statistically constrained decoupling module is first developed to generate target-dominant and jamming-dominant latent branches from the mixed HRRP representation. Correlation-guided statistical constraints are imposed to suppress redundant cross-branch information and alleviate target-jamming feature entanglement. A multi-scale temporal encoding module is then designed to model local scattering structures and long-range range-cell dependencies, followed by a dual-expert decision module for single-label target classification and multi-label jamming classification. Experiments under diverse signal-to-jamming ratio (SJR) and signal-to-noise ratio (SNR) levels demonstrate that JointHRRP-Net outperforms representative baseline methods in both target recognition and composite jamming recognition. Open-set evaluation further shows that the learned target representation remains discriminative for unknown-target rejection. These results demonstrate the effectiveness and robustness of JointHRRP-Net in composite jamming scenarios.
- Abstract（参考訳）: 高分解能レンジプロファイル(HRRP)に基づくレーダー自動目標認識は、複合妨害環境において深刻な性能劣化に悩まされる。
アクティブジャミングは、受信した範囲プロファイルに抑制および偽装関連コンポーネントを導入する。
パルス圧縮後、これらの成分はHRRP領域のターゲットエコーと結合され、ターゲット関連散乱ピークを識別し、特徴分離性を弱めることが困難になる。
そこで本研究では,ジョイントターゲットジャミング認識のための統合フレームワークであるJointHRRP-Netを提案する。
統計的に制約された疎結合モジュールが最初に開発され、HRRPの混合表現からターゲット支配およびジャミング支配潜在枝を生成する。
相関誘導統計制約は、冗長なクロスブランチ情報を抑制し、ターゲットジャミングの特徴的絡みを軽減するために課される。
マルチスケールの時間符号化モジュールは、局所散乱構造と長距離距離セル依存性をモデル化するために設計され、続いてシングルラベルターゲット分類とマルチラベルジャミング分類のためのデュアルエキスパート決定モジュールが続く。
多様な信号-ジャミング比 (SJR) と信号-雑音比 (SNR) の条件下での実験により、JointHRRP-Netは目標認識と合成ジャミング認識の両方において代表的ベースライン法より優れていることが示された。
オープンセット評価は、学習対象表現が未知のターゲット拒絶に対して差別的であることを示す。
これらの結果は,複合ジャミングシナリオにおけるジョイントHRRP-Netの有効性とロバスト性を示す。
関連論文リスト
- HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。
本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
論文 参考訳（メタデータ） (2026-05-13T14:14:13Z) - TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。
TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。
TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
論文 参考訳（メタデータ） (2026-03-02T10:38:54Z) - Where Relevance Emerges: A Layer-Wise Study of Internal Attention for Zero-Shot Re-Ranking [40.652380579951206]
In-Context Re- rank (ICR) は、最近$O(1)$代替メソッドとして提案されている。
ICRは内部の注意信号を直接抽出し、テキスト生成のオーバーヘッドを回避する。
統一的な研究は、内部の注意を従来の生成的および可能性に基づくメカニズムと比較していない。
論文 参考訳（メタデータ） (2026-02-26T03:51:31Z) - Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - Robust HRRP Recognition under Interrupted Sampling Repeater Jamming using a Prior Jamming Information-Guided Network [16.2515496724034]
本稿では,事前ジャミング情報によって案内される堅牢なHRRP認識手法を提案する。
提案手法は最先端の手法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-11-28T15:09:12Z) - Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。
単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。
LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
論文 参考訳（メタデータ） (2025-11-20T04:11:44Z) - Pick of the Bunch: Detecting Infrared Small Targets Beyond Hit-Miss Trade-Offs via Selective Rank-Aware Attention [22.580497586948198]
複雑な背景乱れの中で、赤外線小目標検出は、ディムターゲットを正確に位置決めする固有の課題に直面している。
本稿では,従来のヒットミストレードオフを超えて高精度なネットワークであるSeRankDetを提案する。
論文 参考訳（メタデータ） (2024-08-07T12:10:32Z) - You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。
まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。
FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。
エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
論文 参考訳（メタデータ） (2023-10-14T11:03:04Z) - Learning Invariant Representation via Contrastive Feature Alignment for
Clutter Robust SAR Target Recognition [10.993101256393679]
本稿ではコントラスト的特徴アライメント(Contrastive Feature Alignment, CFA)と呼ばれる手法を提案し, 頑健な認識のための不変表現を学習する。
CFAは、分類とCWMSEの損失を組み合わせて、モデルを共同で訓練する。
提案したCFAは、分類とCWMSE損失を併用してモデルをトレーニングし、不変対象表現の漸進的学習を可能にする。
論文 参考訳（メタデータ） (2023-04-04T12:35:33Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。
我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文 参考訳（メタデータ） (2020-05-11T04:00:09Z)
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。