文献

J-GLOBAL ID：202002269887436050   整理番号：20A2471987

深層学習ベースATRのためのマルチプラットフォームビークルの大規模データ生成のための物理ベースSARモデリングとシミュレーション【JST・京大機械翻訳】

Physics-Based SAR Modeling and Simulation for Large-Scale Data Generation of Multi-platform Vehicles for Deep Learning-Based ATR

著者 (4件)： Jones Branndon (Tennessee State University, Nashville, TN, USA) ,  Ahmadibeni Ali (Tennessee State University, Nashville, TN, USA) ,  Beard Maxine (Tennessee State University, Nashville, TN, USA) ,  Shirkhodaie Amir (Tennessee State University, Nashville, TN, USA)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12312  ページ： 227-235  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 自動ターゲット認識(ATR)システムの一つの重大な課題は,常に変化する動的環境の下で得られた感覚データの効果的なモデリングと解釈である。本論文では,マルチプラットフォーム車両の物理ベースモデリングとシミュレーションを取り上げ,深学習(DL)技術の訓練のための合成SAR画像の系統的生成法を提案した。空中,地上および海洋車両のコンピュータ支援設計(CAD)モデルから出発して,これらの物体の物理ベースモデルを記述するための多層法を提示した。次に,SARシステム制約とモデル化遠方場入射と後方散乱放射波リターンを考慮することによって,著者らは,試験車両の現実的模擬(すなわち,合成)SAR画像を構築して,それらのDL訓練を助けるためにそれらを意味的に注釈付けした。このアプローチの有効性を評価し,検証するために,実際のSAR画像に対して合成的に生成されたSAR画像を比較した。この試験シナリオのいくつかの例を示し,合成SAR画像のリアリズムをさらに高める画像変調技術を含めて説明した。最後に,動的データ駆動アプリケーションシステムの支援における技術的アプローチの意味を考察した。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： CAD【計算機】 ,  *学習 ,  試験車 ,  海洋 ,  後方散乱 ,  多層 ,  有効性 ,  遠方場
準シソーラス用語： SAR画像 ,  自動ターゲット認識 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 深層学習 ,  SAR ,  ATR ,  ターゲット検出 ,  物理学に基づくモデリング ,  データセット生成

分類 (1件)： レーダ  (ND13010H)

タイトルに関連する用語 (7件)： 深層学習 ,  ATR ,  大規模データ ,  物理 ,  SAR ,  モデリング ,  シミュレーション