通过贝叶斯位姿校正稀疏分类实现鲁棒声纳自动目标识别
计算机视觉与模式识别
2017-11-22 v1
摘要
声纳成像在过去几十年中取得了巨大进步，部分归功于合成孔径声纳（SAS）的发展。现在，复杂的分类技术可用于声纳自动目标识别（ATR），以定位水雷和其他威胁性物体。其中最有前途的方法之一是基于稀疏重建的分类（SRC），该方法对噪声、模糊和遮挡表现出令人印象深刻的鲁棒性。我们提出了一种连贯的策略来扩展SRC用于声纳ATR，该策略保留了SRC的鲁棒性，同时能够处理具有多样几何排列的目标、棘手的瑞利噪声以及不可避免的背景杂波。我们的方法——位姿校正稀疏（PCS），结合了对尖峰和平板概率分布的一种新颖解释，将其用作贝叶斯先验以进行类别特异性判别，并结合用于局部斑块提取的字典学习方案。此外，PCS提供了异常检测的潜力，以避免对训练集外测试对象的错误识别，且无需额外训练。使用美国海军水面作战中心提供的数据库展示了令人信服的结果。
引用
@article{arxiv.1706.08590,
title = {Robust Sonar ATR Through Bayesian Pose Corrected Sparse Classification},
author = {John McKay and Vishal Monga and Raghu G. Raj},
journal= {arXiv preprint arXiv:1706.08590},
year = {2017}
}
备注
14 Pages, 16 Figures, Accepted TGARS