桂林电子科技大学广西无线宽带通信与信号处理重点实验室
纸质出版:2022
移动端阅览
扶明, 郑霖, 杨超, 等. 基于深度卷积神经网络的慢动目标检测[J]. 传感器与微系统, 2022,(2):111-114.
基于深度卷积神经网络的慢动目标检测[J]. 2022, (2): 111-114.
扶明, 郑霖, 杨超, 等. 基于深度卷积神经网络的慢动目标检测[J]. 传感器与微系统, 2022,(2):111-114. DOI: 10.13873/J.1000-9787(2022)02-0111-04.
基于深度卷积神经网络的慢动目标检测[J]. 2022, (2): 111-114. DOI: 10.13873/J.1000-9787(2022)02-0111-04.
针对强杂波背景下慢速运动目标检测性能不足的问题
设计了一种基于深度卷积神经网络(DCNN)的目标检测方法。主要将雷达回波信号距离—多普勒谱作为输入
送入设计的DCNN中
通过学习回波信号中杂波特征
并隐含的去除回波信号中目标成分
得到回波信号的残差谱。然后利用残差谱与回波信号R-D谱进行背景对消以抑制杂波
进而实现对回波信号中运动目标的检测。由于该方法通过学习杂波特性进而进行目标检测
因此适用于未知杂波模型的场景
避免了假设的模型与实际环境不符合的问题。实验验证:该方法相比于传统的杂波抑制目标检测方法
具有较好的性能表现。
针对强杂波背景下慢速运动目标检测性能不足的问题
设计了一种基于深度卷积神经网络(DCNN)的目标检测方法。主要将雷达回波信号距离—多普勒谱作为输入
送入设计的DCNN中
通过学习回波信号中杂波特征
并隐含的去除回波信号中目标成分
得到回波信号的残差谱。然后利用残差谱与回波信号R-D谱进行背景对消以抑制杂波
进而实现对回波信号中运动目标的检测。由于该方法通过学习杂波特性进而进行目标检测
因此适用于未知杂波模型的场景
避免了假设的模型与实际环境不符合的问题。实验验证:该方法相比于传统的杂波抑制目标检测方法
具有较好的性能表现。
近距离慢速目标检测杂波抑制方法 [J]. 郑霖,姚伟伟,杨超,仇洪冰. 电子与信息学报 . 2018(10)
雷达低慢小目标检测技术综述 [J]. 许道明,张宏伟. 现代防御技术 . 2018(01)
Short-Range Radar-Based Gesture Recognition System Using 3D CNN With Triplet Loss. [J] . Souvik Hazra,Avik Santra. IEEE Access . 2019
Deep Learning-Based Automatic Clutter/Interference Detection for HFSWR [J] . Zhang Ling,You Wei,Wu Q.,Qi Shengbo,Ji Yonggang. Remote Sensing . 2018 (10)
Deep convolutional autoencoder for radar-based classification of similar aided and unaided human activities [J] . Seyfioglu Mehmet Saygin,Ozbayoglu Ahmet Murat,Gurbuz Sevgi Zubeyde. IEEE Transactions on Aerospace and Electronic Systems . 2018 (4)
Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising. [J] . Zhang Kai,Zuo Wangmeng,Chen Yunjin,Meng Deyu,Zhang Lei. IEEE transactions on image processing : a publication of the IEEE Signal Processing Society . 2017 (7)
A Subspace Projection Approach for Wall Clutter Mitigation in Through-the-Wall Radar Imaging [J] . Tivive, Fok Hing Chi,Bouzerdoum, Abdesselam,Amin, Moeness G.. IEEE Transactions on Geoscience and Remote Sensing . 2015 (4)
0
浏览量
453
下载量
1
CSCD
关联资源
相关文章
相关作者
相关机构
京公网安备11010802024621