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

点击翻译按钮获取中文摘要

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.