Nâng cao chất lượng nhận dạng mục tiêu ra đa dựa vào mạng sinh đối nghịch GAN
63 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.93.2024.12-18Từ khóa:
Tập dữ liệu; Nhận dạng mục tiêu; Mạng sinh đối nghịch; Học sâu; Tăng cường dữ liệu.Tóm tắt
Trong bài báo này, chúng tôi đề xuất một mô hình sinh ảnh theo cấu trúc mạng sinh đối nghịch nhằm tăng cường ảnh cho tập dữ liệu mục tiêu ra đa RAD-DAR. Kết quả của các phép so sánh, đánh giá chỉ ra rằng các ảnh được tạo ra bởi phương pháp đề xuất có sự tương đồng cao so với ảnh gốc. Quá trình thực nghiệm cũng cho thấy mô hình mạng nơ-ron học sâu huấn luyện trên tập dữ liệu tăng cường có độ chính xác nhận dạng mục tiêu ra đa cao hơn so với mô hình huấn luyện trên tập dữ liệu gốc. Mô hình sinh dữ liệu bài báo đề xuất là một giải pháp hiệu quả để khắc phục tình trạng thiếu hụt dữ liệu trong các tập dữ liệu mục tiêu ra đa.
Tài liệu tham khảo
[1]. Marcio L. Lima de Oliveira and Marco J. G. Bekooij. “Generating Synthetic Short-Range FMCW RangeDoppler Maps Using Generative Adversarial Networks and Deep Convolutional Autoencoders”. In: 2020 IEEE Radar Conference (RadarConf20). pp. 1–6, (2020). DOI: 10.1109/RadarConf 2043947.2020.9266348. DOI: https://doi.org/10.1109/RadarConf2043947.2020.9266348
[2]. Arthur Ouaknine, Alasdair Newson, Julien Rebuty, Florence Tupin and Patrick Perez. “CARRADA Dataset: Camera and Automotive Radar with Range-Angle-Doppler Annotations”. 2020 25th International Conference on Pattern Recognition (ICPR) Milan, Italy, Jan 10-15, (2021). DOI: https://doi.org/10.1109/ICPR48806.2021.9413181
[3]. Yizhou Wang, Zhongyu JiangYudong Li, Jenq-Neng Hwang “RODNet: A Real-Time Radar Object Detection Network Cross-Supervised by Camera-Radar Fused Object 3D Localization”. arXiv:2102.05150v1 [cs.CV] (2021). DOI: https://doi.org/10.1109/JSTSP.2021.3058895
[4]. Xiangyu Gao, Guanbin Xing, Sumit Roy, and Hui Liu “RAMP-CNN: A Novel Neural Network for Enhanced Automotive Radar Object Recognition”. arXiv technical report (arXiv 2011.08981).
[5]. Ali, S., Ghatwary, N., Braden, B., Lamarque, D., Bailey, A., Realdon, S., Cannizzaro, R., Rittscher, J., Daul, C., & East, J., “Endoscopy disease detection challenge 2020”. ArXiv Preprint ArXiv:2003.03376, (2020).
[6]. Hidetoshi Furukawa “Deep Learning for Target Classification from SAR Imagery: Data Augmentation and Translation Invariance”. arXiv:1708.07920.
[7]. Marcel Sheeny , Andrew Wallace and Sen Wang “RADIO: Parameterized Generative Radar Data Augmentation for Small Datasets”. Appl. Sci., 10, 3861, (2020); doi:10.3390. DOI: https://doi.org/10.3390/app10113861
[8]. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y., “Generative adversarial nets”. Advances in Neural Information Processing Systems, 27, (2014).
[9]. Ibrahim Alnujaim, Youngwook Kim “Augmentation of Doppler Radar Data Using Generative Adversarial Network for Human Motion Analysis”. Healthc Inform Res; 25(4):344-349, pISSN 2093-3681, eISSN 2093-369X, (2019). DOI: https://doi.org/10.4258/hir.2019.25.4.344
[10]. Thomas Truong, Svetlana Yanushkevich, “Generative Adversarial Network for Radar Signal Generation”. arXiv:2008.03346v1 [eess.IV], (2020). DOI: https://doi.org/10.1109/IJCNN.2019.8851887
[11]. R. C. Tewari, P. Palo, J. Maiti and A. Routray, “GAN-based Radar Micro-Doppler Augmentation for High Accuracy Fall Detection System,” IECON 2022 – 48th Annual Conference of the IEEE Industrial Electronics Society, Brussels, Belgium, pp. 1-6, (2022), doi:10.1109/IECON49645.2022.9968957. DOI: https://doi.org/10.1109/IECON49645.2022.9968957
[12]. G. Huang, Y. Yuan, Q. Xu, C. Guo, Y. Sun, F. Wu, K. Weinberger, “An empirical study on evaluation metrics of generative adversarial networks”, International Conference on Learning RepresentationsRejected. URL https://openreview.net/forum?id=Sy1f0e-R-
[13]. Eduardo C. Fidelis, Fabio Reway, Herick Y. S. Ribeiro, Pietro L. Campos, Werner Huber Christian Icking, Lester A. Faria, Torsten Schon. “Generation of Realistic Synthetic Raw Radar Data for Automated Driving Applications using Generative Adversarial Networks”. arXiv:2308.02632v2 [cs.CV], (2023).
[14]. Nguyễn Văn Trà, Vũ Chí Thanh, Đoàn Văn Sáng, “Giải pháp nâng cao xác suất nhận dạng đúng mục tiêu UAV ứng dụng trí tuệ nhân tạo”, Tạp chí Khoa học và Công nghệ quân sự, số Đặc san FEE, (2023). DOI: https://doi.org/10.54939/1859-1043.j.mst.FEE.2023.105-110
