使用混合数据学习去除真实世界 GPR 图像中的杂波
信号处理
2022-06-15 v1
摘要
探地雷达 (GPR) 探测图中的杂波会掩盖或扭曲地下目标响应，严重影响目标检测与识别的准确性。面对真实世界探测图中的复杂且不规则的杂波，现有的杂波去除方法要么会残留杂波，要么会使目标响应变形。为了应对真实场景中杂波去除的挑战，本研究提出了一种在大规模混合数据集上训练的杂波去除神经网络 (CR-Net)。CR-Net 将残差密集块集成到 U-Net 架构中，以增强其杂波抑制和目标反射恢复的能力。平均绝对误差 (MAE) 损失与多尺度结构相似性 (MS-SSIM) 损失的组合被用于有效驱动网络的优化。为了训练所提出的 CR-Net 以去除真实世界探测图中的复杂多样杂波，构建了首个名为 CLT-GPR 数据集的大规模混合数据集，其中包含由不同 GPR 系统在多种场景下采集的杂波。CLT-GPR 数据集显著提升了网络在去除真实世界 GPR 探测图中杂波的泛化能力。大量实验结果表明，CR-Net 在去除杂波和恢复不同真实场景下的目标响应方面，取得了优于现有方法的性能。此外，CR-Net 采用端到端设计，无需人工调参，非常适合在 GPR 应用中自动生成无杂波探测图。CLT-GPR 数据集和本文实现的代码可在 https://haihan-sun.github.io/GPR.html 找到。
引用
@article{arxiv.2205.08135,
title = {Learning to Remove Clutter in Real-World GPR Images Using Hybrid Data},
author = {Hai-Han Sun and Weixia Cheng and Zheng Fan},
journal= {arXiv preprint arXiv:2205.08135},
year = {2022}
}