前视探地雷达中用于埋藏目标分类的基于特征方法的大规模比较
计算机视觉与模式识别
2018-02-14 v1
摘要
前视探地雷达(FLGPR)近来被研究作为埋藏目标探测（如地雷）的遥感模态。在此背景下，原始FLGPR数据被波束成形为图像，然后应用计算机算法自动探测地下埋藏目标。大多数现有算法是监督式的，意味着它们被训练以区分标记的目标与非目标图像，通常基于从图像提取的特征。为此目的已提出大量特征，然而迄今不清楚哪些最有效。本工作的第一个目标是在大型FLGPR数据集合上提供使用现有特征的探测性能综合比较。也考虑了处理每个特征所得决策的融合。第二个目标是研究目标识别文献中的两种现代特征学习方法：视觉词袋(bag-of-visual-words)与Fisher向量用于FLGPR处理。结果表明新特征学习方法优于现有方法。结果也显示现有特征与新特征间的融合带来极少额外性能提升。
引用
@article{arxiv.1702.03000,
title = {A large comparison of feature-based approaches for buried target classification in forward-looking ground-penetrating radar},
author = {Joseph A. Camilo and Leslie M. Collins and Jordan M. Malof},
journal= {arXiv preprint arXiv:1702.03000},
year = {2018}
}
备注
11 pages, 14 figures, for submission to IEEE TGARS