CFARnet：用于恒虚警率目标检测的深度学习
机器学习
2023-11-16 v3 计算机视觉与模式识别
摘要
我们考虑具有恒虚警率（CFAR）约束的目标检测问题。该约束在许多实际应用中至关重要，也是经典复合假设检验的标准要求。在经典方法计算代价高昂或仅给定数据样本的场景下，机器学习方法具有优势。CFAR 在这些场景下的研究尚不充分。为弥补此缺口，我们引入 CFAR 约束检测器框架。理论上，我们证明 CFAR 约束的 Bayes 最优检测器渐近等价于经典广义似然比检验（GLRT）。实践中，我们开发了用于拟合近似该检测器的神经网络的深度学习框架。不同设置下的目标检测实验表明，所提 CFARnet 可在 CFAR 与准确率之间实现灵活权衡。
引用
@article{arxiv.2208.02474,
title = {CFARnet: deep learning for target detection with constant false alarm rate},
author = {Tzvi Diskin and Yiftach Beer and Uri Okun and Ami Wiesel},
journal= {arXiv preprint arXiv:2208.02474},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2206.05747