文献

J-GLOBAL ID：202202240352952128   整理番号：22A0202585

mRe=3ネットワークとTVβ-LSTMの結合によるSAR地上移動目標再集束【JST・京大機械翻訳】

SAR Ground Moving Target Refocusing by Combining mRe3 Network and TVβ-LSTM

著者 (8件)： Zhou Yuanyuan (Department of Electronic Engineering, University of Electronic Science and Technology of China (UESTC), Chengdu, China) ,  Shi Jun (Department of Electronic Engineering, University of Electronic Science and Technology of China (UESTC), Chengdu, China) ,  Wang Chen (Department of Electronic Engineering, University of Electronic Science and Technology of China (UESTC), Chengdu, China) ,  Hu Yao (Department of Electronic Engineering, University of Electronic Science and Technology of China (UESTC), Chengdu, China) ,  Zhou Zenan (Department of Electronic Engineering, University of Electronic Science and Technology of China (UESTC), Chengdu, China) ,  Yang Xiaqing (Department of Electronic Engineering, University of Electronic Science and Technology of China (UESTC), Chengdu, China) ,  Zhang Xiaoling (Department of Electronic Engineering, University of Electronic Science and Technology of China (UESTC), Chengdu, China) ,  Wei Shunjun (Department of Electronic Engineering, University of Electronic Science and Technology of China (UESTC), Chengdu, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5200814.1-14  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文は,合成開口レーダ(SAR)画像における地上移動目標(GMT)の再集束のために,修正リアルタイム回帰(mRe3)ネットワークと新しく設計した軌道平滑化長短期メモリ(LSTM)ネットワークを組み合わせることによって,新しいフレームワークを提案した。畳込みニューラルネットワーク(CNN)バックボーンと2つのLSTMモジュールから成るmRe3ネットワークを設計し,SARビデオにおけるGMTの影を追跡した。さらに,追跡ネットワークにより得られた複雑な軌跡は,推定誤差のため,GMTの再集束に直接使用できないことを見出した。上記の問題に取り組むために,β次数全変動損失ベースの平滑化LSTM(TVβ-LSTM)を提案し,再集束の要求を満たすためにGMTの軌跡を復元した。そのうえ,平滑化LSTMの性能に及ぼすTVβの影響を分析する。模擬および実際のSARビデオに関する実験によって,著者らは,mRe3が,特に強い干渉事例に対して,既存の追跡方法と比較して,より強いロバスト性およびより良い軌道再構成精度を有することを見出した。加えて,平滑化LSTMは,より高い精度とより良い滑らかさでGMTの軌道を回復することができる。βを3に設定すると,TVβ-LSTMにより,回復複合軌道の中心距離誤差を0.82から0.782に低減でき,一方,その変動は6から1mmまで抑制できた。このフレームワークを用いて,K_a-バンドSARに対してさえ,ブーチフルな幾何学的特徴を持つ集束GMTを得ることができた。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 干渉 ,  記憶装置 ,  *集束 ,  *ネットワーク ,  平滑化 ,  再構成 ,  録画装置 ,  合成開口レーダ ,  ロバスト性 ,  平滑度
準シソーラス用語： 推定誤差 ,  実時間 ,  移動目標 ,  総変動 ,  長短期記憶 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： TV ,  LSTM ,  SAR ,  地上 ,  移動目標 ,  集束