用于自适应探地雷达地雷分类的字典学习
计算机视觉与模式识别
2020-01-08 v2
摘要
探地雷达（GPR）目标检测与分类是一项具有挑战性的任务。此处，我们考虑在线字典学习（DL）方法以获取 GPR 数据的稀疏表示（SR），从而通过支持向量机增强用于目标分类的特征提取。在线方法更受青睐，因为传统批量 DL（如 K-SVD）无法扩展至高维训练集且不可用于实时操作。我们还开发了丢弃小批量在线字典学习（DOMINODL），其利用了大量训练数据可能相关的特性。DOMINODL 算法以小规模批量迭代考察训练集元素，并丢弃相关性降低的样本。针对弃用反人员地雷分类问题，我们将 K-SVD 与三种在线算法比较：经典在线字典学习、其基于相关的变体，以及 DOMINODL。我们使用 L 波段 GPR 真实数据的实验表明，在线 DL 方法相较 K-SVD 将学习时间减少 36–93%，并将地雷检测率提升 4–28%。我们的 DOMINODL 最快，且保持与其他两种在线 DL 方法相似的分类性能。我们使用 Kolmogorov-Smirnoff 检验距离与 Dvoretzky-Kiefer-Wolfowitz 不等式来选择 DL 输入参数，从而获得增强的分类结果。为进一步与 SOTA 分类方法比较，我们评估了一个卷积神经网络（CNN）分类器，其表现劣于所提方法。此外，当采集样本被随机减少 25%、50% 与 75% 时，基于 DL 的稀疏分解分类保持稳健，而 CNN 精度则急剧下降。
引用
@article{arxiv.1806.04599,
title = {Dictionary Learning for Adaptive GPR Landmine Classification},
author = {Fabio Giovanneschi and Kumar Vijay Mishra and Maria Antonia Gonzalez-Huici and Yonina C. Eldar and Joachim H. G. Ender},
journal= {arXiv preprint arXiv:1806.04599},
year = {2020}
}
备注
16 pages, 11 figures, 10 tables