論文の概要: Fast Generation of Representative Synthetic Dataset with Salsa to Train ATR Models with Electromagnetic Couplings Data-Augmentation

• arxiv url: http://arxiv.org/abs/2608.00037v1
• Date: Tue, 21 Jul 2026 12:27:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-09 10:00:34.260788
• Title: Fast Generation of Representative Synthetic Dataset with Salsa to Train ATR Models with Electromagnetic Couplings Data-Augmentation
• Title（参考訳）: 電磁結合データを用いたATRモデルのサルサを用いた代表合成データセットの高速生成
• Abstract要約: 本研究は,SAR(Simulated Synthetic Aperture Radar)画像を用いた自動ターゲット認識(ATR)モデルのトレーニングに重点を置いている。 堅牢で汎用的なATRモデルを得るためには、シミュレーションは実測で見られるすべての変数を含む巨大なデータセットを生成する必要がある。
• 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 focuses on training Automatic Target Recognition (ATR) models using simulated Synthetic Aperture Radar (SAR) images to circumvent the lack of real measurements. To obtain robust and versatile ATR models, simulation needs to generate massive datasets that encompass all the variability found in real measurements. Thus, we need a simulator that finds a good tradeoff between execution speed, computational resource consumption, and physical representativeness. In this work, we demonstrate that the Salsa simulator addresses this issue. We ran computing performance tests to show that Salsa can generate 21,600 synthetic images in less than 10 minutes using a single Nvidia GeForce RTX 4090 GPU. Using our ADASCA Deep Learning approach, we demonstrate that these data are sufficiently representative to train ATR models and reach state-of-the-art results on the MSTAR public dataset with an accuracy of 86 %. To illustrate how Salsa unlocks new possibilities to train ATR models, we use the simulator to conduct a study on Electromagnetic (EM) couplings between the targets and their immediate environment. We demonstrate that, if not accounted for in the training dataset, the variability of the EM couplings induced by the variability of the ground surfaces can significantly degrade the performance of ATR models, with an accuracy decrease of more than 4 %. We also show that Salsa can generate in a timely manner (i.e., in less than 4 hours using the same GPU as previously) a massive dataset of 648,000 images with a large variety of couplings to make the ATR models robust to EM coupling variations. Our ATR models can then achieve an accuracy of 87 % on the MSTAR dataset.
• Abstract（参考訳）: 本研究は,実測値の欠如を回避するために,SAR(Simulated Synthetic Aperture Radar)画像を用いた自動ターゲット認識(ATR)モデルのトレーニングに重点を置いている。 堅牢で汎用的なATRモデルを得るためには、シミュレーションは実測で見られるすべての変数を含む巨大なデータセットを生成する必要がある。 したがって,実行速度,計算資源消費,物理的代表性との間によいトレードオフを見出すシミュレータが必要である。 本研究では,サルサシミュレータがこの問題に対処することを実証する。 私たちは、Nvidia GeForce RTX 4090 GPUを使用して、Salsaが10分以内で21,600の合成画像を生成することができることを示すために、コンピューティングパフォーマンステストを実行しました。 ADASCA Deep Learningアプローチを用いて、これらのデータはATRモデルをトレーニングし、MSTAR公開データセットの最先端結果に精度86 %の精度で到達するのに十分代表的であることを実証する。 サルサがATRモデルをトレーニングする新たな可能性の解き放つ方法を説明するために、シミュレータを用いて、ターゲットと直近の環境の間の電磁的(EM)カップリングの研究を行う。 トレーニングデータセットに含まない場合, 地表面の変動によって誘導されるEM結合の変動は, ATRモデルの性能を著しく低下させ, 精度は4%以上低下することを示した。 また、Salsaは時間的に(つまり、以前と同じGPUを使用して4時間以内で)、さまざまな結合を持つ648,000イメージの大規模なデータセットを生成して、AMTモデルをEM結合のばらつきに対して堅牢にすることを示す。 我々のATRモデルは、MSTARデータセット上で87パーセントの精度を達成できる。

関連論文リスト

• Transfer Learning Across Fast- and Full-Simulation Domains in High-Energy Physics [10.078675569996992]
  本研究では,現実的な環境下での高速・完全シミュレーションデータセット間の伝達学習を体系的に研究する。 本稿では, 信号背景分類, クォークグルーオンジェットタグ付け, 横方向エネルギー再構成の3つの課題について考察する。 モデルはATLASライクな高速シミュレーションで事前訓練され、CMSライクな高速シミュレーションに適応し、完全なATLASオープンデータに適応する。
  論文  参考訳（メタデータ） (2026-05-08T09:18:34Z)
• Combining SAR Simulators to Train ATR Models with Synthetic Data [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-24T09:21:07Z)
• Crucial-Diff: A Unified Diffusion Model for Crucial Image and Annotation Synthesis in Data-scarce Scenarios [65.97836905826145]
  医療、産業、自動運転といったさまざまなシナリオにおけるデータの不足は、モデルの過度な適合とデータセットの不均衡につながる。 重要なサンプルを合成するドメインに依存しないフレームワークであるCrucial-Diffを提案する。 我々のフレームワークは多様な高品質なトレーニングデータを生成し、ピクセルレベルのAPは83.63%、F1-MAXは78.12%である。
  論文  参考訳（メタデータ） (2025-07-14T04:41:38Z)
• Generative AI-based Pipeline Architecture for Increasing Training Efficiency in Intelligent Weed Control Systems [0.0]
  本研究は,知的雑草制御のための深層学習に基づく物体検出モデルを改善するために,合成画像を生成する新しいアプローチを提案する。 我々のGenAIベースの画像生成パイプラインは、ゼロショットドメイン適応のためのSegment Anything Model(SAM)と、テキストから画像への安定拡散モデルを統合する。 我々は、これらの合成データセットを軽量YOLOモデルを用いて評価し、mAP50とmAP50-95スコアを用いてデータ効率を測定した。
  論文  参考訳（メタデータ） (2024-11-01T12:58:27Z)
• HyperspectralViTs: General Hyperspectral Models for On-board Remote Sensing [21.192836739734435]
  機械学習モデルによるハイパースペクトルデータのオンボード処理は、幅広いタスクに対して前例のない量の自律性を可能にする。 これにより早期警戒システムが可能となり、衛星の星座にまたがる自動スケジューリングなどの新機能が実現される可能性がある。 本研究では,高スペクトル次元のデータを用いたエンドツーエンドの学習を支援する,高速かつ正確な機械学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-22T17:59:55Z)
• Test-time Training for Hyperspectral Image Super-resolution [95.38382633281398]
  ハイパースペクトル画像(HSI)超解像(SR)は、まだRGB画像SRの研究に遅れを取っている。 本研究では,この問題に対処するための新しいテストタイムトレーニング手法を提案する。 具体的には、より正確な擬似ラベルとより正確なLR-HR関係を生成する新しい自己学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-09-13T09:30:19Z)
• STORM: Efficient Stochastic Transformer based World Models for Reinforcement Learning [82.03481509373037]
  近年,モデルに基づく強化学習アルゴリズムは視覚入力環境において顕著な有効性を示している。 本稿では,強力なモデリングと生成機能を組み合わせた効率的な世界モデルアーキテクチャであるTransformer-based wORld Model (STORM)を紹介する。 Stormは、Atari 100$kベンチマークで平均126.7%の人的パフォーマンスを達成し、最先端のメソッドの中で新しい記録を樹立した。
  論文  参考訳（メタデータ） (2023-10-14T16:42:02Z)
• SAM-RL: Sensing-Aware Model-Based Reinforcement Learning via Differentiable Physics-Based Simulation and Rendering [49.78647219715034]
  本稿では,SAM-RL と呼ばれる感性認識モデルに基づく強化学習システムを提案する。 SAM-RLは、センサーを意識した学習パイプラインによって、ロボットがタスクプロセスを監視するための情報的視点を選択することを可能にする。 我々は,ロボット組立,ツール操作,変形可能なオブジェクト操作という3つの操作タスクを達成するための実世界の実験に,我々のフレームワークを適用した。
  論文  参考訳（メタデータ） (2022-10-27T05:30:43Z)
• 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)

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。