基于深度学习的多频段信号融合用于三维SAR超分辨率成像
计算机视觉与模式识别
2023-05-04 v1 人工智能
信号处理
摘要
三维(3-D)合成孔径雷达(SAR)广泛应用于许多需要对被隐藏或遮挡物体进行高分辨率成像的安全与工业场景。分辨复杂三维目标的能力对此类应用的性能至关重要,并直接取决于系统带宽。然而,由于高带宽系统面临若干难以克服的障碍,一种替代方案是在不同频段运行多部雷达并融合多频段信号。现有的多频段信号融合方法假设简单的目标模型以及少量点反射体,这在实际安全筛查和工业成像场景中并不成立,因为此类场景中的目标模型实际上由大量反射体组成。据我们所知,本研究首次将深度学习用于多频段信号融合。所提出的网络称为kR-Net,采用混合双域复值卷积神经网络(CV-CNN)来融合多频段信号并填补子带间频率间隙中的缺失样本。通过利用波数域与波数谱域中的关系,所提框架克服了现有多频段成像技术在实际场景中的缺陷,且计算时间仅为现有多频段融合算法的一小部分。我们的方法实现了以往常规技术无法完成的复杂目标高分辨率成像,并在无需更先进硬件的条件下,利用多频段信号实现了更精细的隐藏武器检测与遮挡物体分类能力。此外,我们使用商用毫米波(mmWave)雷达开发了一套完全集成的多频段成像系统,用于高效的多频段成像。
引用
@article{arxiv.2305.02017,
title = {Deep Learning-Based Multiband Signal Fusion for 3-D SAR Super-Resolution},
author = {Josiah Smith and Murat Torlak},
journal= {arXiv preprint arXiv:2305.02017},
year = {2023}
}
备注
Accepted to IEEE Transactions on Aerospace and Electronic Systems