DRIFTERS: Deep Radar Interpretation For Tracking and Enhancement of Raw Signal

DRIFTERS：用于跟踪和增强原始信号的深度雷达解释

• 批准号: 537836-2018
• 负责人: Gagné, Christian
• 金额: $ 3.8万
• 依托单位: Université Laval
• 依托单位国家: 加拿大
• 项目类别: Collaborative Research and Development Grants
• 财政年份: 2019
• 资助国家: 加拿大
• 起止时间: 2019-01-01 至 2020-12-31
• 项目状态: 已结题
• 来源: https://www.nserc-crsng.gc.ca/ase-oro/Details-Detailles_eng.asp?id=690376
• 关键词: DRIFTERS; Deep; Radar; Interpretation; Tracking

L'apprentissage profond a connu de nombreux succès dans des domaines tels que la vision artificielle et la reconnaissance vocale, en bonne partie grâce à ses capacités d'apprendre des représentations capables de traiter du signal brut pour effectuer des tâches de haut niveau. Dans ce projet de recherche, nous développerons des approches basées sur l'apprentissage profond pour le traitement de signaux radar maritime aéroporté, où le signal est relativement non-structuré et sévèrement bruité. Plus spécifiquement, nous allons évaluer des approches pour 1) supprimer le fouillis de mer et détecter les cibles dans un signal statique; 2) détecter les cibles dans des séquences temporelles de signaux radar; et 3) faire du suivi de cibles à partir de séquences temporelles de signaux radar. De plus, l'apprentissage profond requiert des jeux de données massifs ayant une couverture d'une variété de contextes pour obtenir de bons résultats, alors que les bases de données disponibles publiquement se limitent généralement à des environnements spécifiques. En conséquence, nous allons également explorer des approches basées sur l'apprentissage profond pour améliorer les données obtenues de modèles de simulation, afin d'augmenter le jeu de données et couvrir plus de situations où le signal a des caractéristiques réalistes (ex. composantes de bruit sophistiquées). Ceci a le potentiel de permettre la découverte de meilleures façons de traiter le signal radar et en soi améliorer la performance de dispositifs de captation basés sur cette technologie, avec des impacts potentiels positifs pour la surveillance de milieu côtier pour améliorer la sécurité nationale et la sûreté en milieux maritime.

在人工视觉和语音识别领域，L 'prostissage profond a connu de nombreux succès dans des domaines tels que la vision artificiele et la reconciliation vocale，en bonne partie grâce à ses capacités d' prostissation capabilities de représentations capables de traiter du signal brut pour effectuer des tâches de haut niveau.在该研究项目中，我们将探讨基于深度测量的方法，以处理海上雷达信号，但信号是相对非结构性的，并且存在杂音。此外，我们还应评估以下方法：1）加强海上污染，并检测信号静态中的目标; 2）检测信号雷达的时间序列中的目标; 3）在信号雷达的时间序列中跟踪目标。此外，为了获得好的结果，需要对不同背景下的知识进行深刻的分析，因为出版物的可支配知识的基础一般都是有限的。因此，我们应该探索基于深度学习的方法，以改进模拟模型的学习方法，并在学习过程中增加学习方法，同时考虑到现实中可能出现的情况。复杂的杂音）。Ceci a le potentiel de permettre la découverte de meilleures façons de traiter le signal radar et en promotéliferation la performance de dispositifs de captation basés sur cette technologie，avec des impacts potentiels positifs pour la surveillance de milieu côtier pour améliferation la sécurité nationale et la sancerreté en milieux maritime.