基于多极化聚合与选择神经网络的细长地下目标朝向估计
图像与视频处理
2022-01-05 v2
摘要
细长地下目标的水平方位角和垂直倾角是探地雷达(GPR)应用中目标识别与成像的关键参数。由于极化信息有限和检测能力受限,传统方法只能提取水平方位角或在窄范围内估计两个角度。针对这些问题,本文首次探索利用具有多极化GPR数据的神经网络在整个空间范围内估计细长地下目标的两个角度的可能性。基于细长目标的极化敏感特性,我们提出了多极化聚合与选择神经网络(MASNet),该网络以多极化雷达图为输入,在特征空间中整合其特性,并选择反射信号模式的判别性特征以实现准确朝向估计。数值结果表明,我们提出的MASNet实现了高估计精度,角度估计误差小于5{\deg}。所提方法取得的 promising 结果鼓励人们通过融合多极化信息与深度学习技术为GPR相关任务思考新的解决方案。
引用
@article{arxiv.2101.12398,
title = {The Orientation Estimation of Elongated Underground Objects via Multi-Polarization Aggregation and Selection Neural Network},
author = {Hai-Han Sun and Yee Hui Lee and Chongyi Li and Genevieve Ow and Mohamed Lokman Mohd Yusof and Abdulkadir C. Yucel},
journal= {arXiv preprint arXiv:2101.12398},
year = {2022}
}