利用附加表征改进基于卷积神经网络的合成孔径声纳分类
计算机视觉与模式识别
2018-10-16 v4
摘要
合成孔径声纳(SAS)图像中的目标分类通常面临数据匮乏与类别不平衡问题。在大量良性海床背景中仅存在少量感兴趣目标。尽管存在这些问题，当前分类技术仍丢弃了所采集 SAS 信息中的大部分。具体而言，波束形成的 SAS 图像（我们称之为单视复(SLC)图像）包含由实部与虚部组成的复像素。为便于人眼观察，SLC 被转换为幅度-相位表示并丢弃相位信息。更成问题的是，幅度信息通常呈现大动态范围（>80dB），须进行动态范围压缩以用于人工显示。常将这种原本为人眼显示设计的动态范围压缩表示输入分类器，导致分类过程完全缺失相位信息。本文中，我们展示了利用 SLC 的相位信息以及另一来源（照片）的信息所带来的分类性能提升。我们通过统计检验证明了结果的有效性。
引用
@article{arxiv.1808.02868,
title = {Additional Representations for Improving Synthetic Aperture Sonar Classification Using Convolutional Neural Networks},
author = {Isaac Gerg and David Williams},
journal= {arXiv preprint arXiv:1808.02868},
year = {2018}
}
备注
Accepted for the Institute of Acoustics 4th International Conference on Synthetic Aperture Sonar and Radar Sept 2018