深度图像确定⽬标距离_应⽤于雷达信号的深度学习⽅法 雷达信号有全天候的优点，但分辨率低，不容易得到⽬标轮廓，⽽且缺乏⾼度信息，只是⼀个扇⾯的发射-接收（RCS）信息和速度信息。下⾯介绍⼀些论⽂，主要是关于深度学习在雷达信号的应⽤。
“Micro-Doppler Based Human-Robot Classification Using Ensemble and Deep Learning Approaches”（2018.2）
雷达传感器可⽤于分析在距离和速度维度的微运动⽽引起的频移，分别确定为微多普勒（μ-D）和微距离（μ-R）。不同的移动⽬标具有唯⼀的μ-D和μ-R签名，可⽤于⽬标分类。本⽂在⼯业安全中使⽤25GHz FMCW单输⼊单输出（SISO）雷达进⾏实时⼈机识别。由于存在实时约束，直接分析联合多普勒成像（R-D）图的分类问题。对于集成分类器（ensemble classifiers），重组后的距离和速度配置⽂件直接传递到集成树（ensemble trees），例如梯度增强（gradient boosting）和⽆特征提取的随机森林（random forest）。最终，使⽤深度卷积神经⽹络（DCNN），并将原始R-D图像直接馈⼊⽹络。 深圳书城培训中心
如图是⼈-机的R-D图⽐较：
山东同性恋
这是馈⼊CNN的灰度R-D图：
如图是CNN架构：
⼀些结果如下表：传统⽅法和CNN⽅法
“Deep Learning for End-to-End Automatic Target Recognition from Synthetic Aperture Radar Imagery”（2018）
合成孔径雷达（SAR）⾃动⽬标识别（ATR）的标准体系结构包括三个阶段：检测、鉴别和分类。SAR ATR的CNN⼤多将SAR图像提取的⽬标碎⽚类别进⾏分类。该报告提出了⽤于SAR图像的端到端 血管胸ATR的CNN架构。叫验证⽀持⽹络（VersNet，verification support network）的CNN执⾏SAR ATR端到端的这三个阶段。VersNet输⼊具有多个类别和多个⽬标的任意⼤⼩的SAR图像，并输出代表每个检测⽬标的位置、类别和姿态的SAR ATR图像。该报告给出VersNet的评估，该VersNet经过训练可以输出所有12个类别得分：⽤ MSTAR（moving and stationary target acquisition and recognition）公共数据集为每个像素输出10个⽬标类别、⽬标前端类别和背景类别。
如图是VersNet在可变⼤⼩的SAR图像中执⾏多类别/多⽬标的⾃动⽬标识别ATR。 在这种情况下，输⼊是具有三个类别和四个⽬标的单个图像（左上和右下⽬标是同⼀类别）。 VersNet输出每个检测到的⽬标的位置、类别和姿势（正⾯）。
下图是该CNN模型的训练过程：
如图从左到右分别对应CNN的输⼊、输出和真实结果。不定积分换元法
天黑前的夏天
“Practical classification of different moving targets using automotive radar and deep neural networks“ （2018）
这项⼯作提出使⽤汽车雷达数据和不同NN对不同类别的⽬标（汽车、单⼈和多⼈、⾃⾏车）进⾏分类的结果。与NXP 半导体公司制造的汽车雷达收发器TEF810X和微控制器单元SR32R274⼀起，它提出了⼀种⽤于检测、跟踪和微多普勒（micro-Doppler）提取的雷达算法快速实现⽅案。对于记录的四类⽬标不同分类问题，考虑了三种不同类型的神经⽹络，即经典卷积⽹络、残差⽹络以及卷积⽹络和递归⽹络的组合。
⼀个多⽬标分类系统的框图如下：
腾飞担保公司
下图是不同⽬标频谱图⽰例：（a）单⼈⾏⾛，（b）两个⼈⼀起散步，（c）⾃⾏车，（d）汽车。
如图给出表⽰不同的⽹络体系结构：（a）类似于VGG类型的CNN，（b）卷积残差⽹络，（c）卷积⽹络和递归LSTM⽹络的组合。
最后是⼀些结果：
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议