通过张量稀疏性学习技术对多通道UWB SAR图像进行分类
信号处理
2018-10-09 v1 机器学习
机器学习
摘要
使用低频（UHF至L波段）超宽带（UWB）合成孔径雷达（SAR）技术检测埋藏和遮蔽目标（如炸弹或地雷）近来已成功演示。尽管近期进展可喜，一个显著的开放挑战是区分场景中遮蔽目标与其他（自然和人造）杂波源。在粗糙地面噪声回波存在时问题加剧。本文提出三种新颖的稀疏驱动技术，其不仅利用原始捕获数据的细微特征，还借助多通道SAR数据的极化分集和视角依赖信息。首先，将传统的基于稀疏表示分类（SRC）推广以利用类的共享信息及张量系数的各种稀疏结构用于多通道数据。相应提出了张量字典学习模型以提升分类精度。最后，提出一种新的张量稀疏性模型来建模物体多次连续观测的回波，这是我们考量数据集的独特特征。在高保真电磁模拟数据集和美国陆军研究实验室侧视SAR采集的雷达数据上的大量实验结果展示了所提张量稀疏性模型的优势。
引用
@article{arxiv.1810.02812,
title = {Classifying Multi-channel UWB SAR Imagery via Tensor Sparsity Learning Techniques},
author = {Tiep Vu and Lam Nguyen and Vishal Monga},
journal= {arXiv preprint arXiv:1810.02812},
year = {2018}
}