关于在探地雷达数据中为埋藏威胁检测的有监督算法选择训练与测试数据
计算机视觉与模式识别
2016-12-13 v1
摘要
探地雷达（GPR）是用于地雷和地下威胁探测的最受欢迎且最成功的传感模态之一。应用于该任务的许多检测算法是有监督的，因此需要目标和非目标数据的标注样本进行训练。训练数据通常由 GPR 数据的二维图像（或图像块）组成，从中提取特征并在训练和测试期间提供给分类器。在文献中，确定用于提取图像块的理想训练和测试位置（我们称之为“关键点”）已有成熟的方法。然而，关于关键点利用（例如，在目标或非目标位置应使用多少已识别的关键点）提出了多种不同的策略。鉴于现有的关键点利用策略多种多样，目前非常不清楚 (i) 哪些策略最好，或者 (ii) 策略的选择是否对分类器性能有很大影响。我们通过提出现有利用策略的分类法来解决这些问题，然后使用许多不同的分类器和特征在大型数据集上评估它们的有效性。我们分析了结果并提出了一种名为 PatchSelect 的新策略，该策略在所有实验中均优于其他策略。
引用
@article{arxiv.1612.03477,
title = {On Choosing Training and Testing Data for Supervised Algorithms in Ground Penetrating Radar Data for Buried Threat Detection},
author = {Daniël Reichman and Leslie M. Collins and Jordan M. Malof},
journal= {arXiv preprint arXiv:1612.03477},
year = {2016}
}
备注
9 pages, 8 figures, journal paper