学习具有恒虚警率的检测
机器学习
2022-06-14 v1 信号处理
摘要
我们考虑将机器学习用于假设检验，重点为目标检测。经典的基于模型的方案依赖于似然比较。这些方法对不完美模型敏感且通常计算代价高昂。相比之下，数据驱动的机器学习通常更鲁棒，并产生具有固定计算复杂度的分类器。习得检测器通常以低复杂度提供高精度，但不具备许多应用所需的恒虚警率（CFAR）。为弥补这一差距，我们提出在损失函数中增加一项，以促进检测器在任何原假设场景下具有相似分布。实验表明，我们的方法得到了近似 CFAR 的检测器，其精度与同类方法相近。
引用
@article{arxiv.2206.05747,
title = {Learning to Detect with Constant False Alarm Rate},
author = {Tzvi Diskin and Uri Okun and Ami Wiesel},
journal= {arXiv preprint arXiv:2206.05747},
year = {2022}
}