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: $ 4.02万
• 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: 2021
• 资助国家: 加拿大
• 起止时间: 2021-01-01 至 2022-12-31
• 项目状态: 已结题
• 来源: https://www.nserc-crsng.gc.ca/ase-oro/Details-Detailles_eng.asp?id=720381
• 关键词: DRIFTERS; Deep; Radar; Interpretation; Tracking

Deep learning has been highly successful in fields such as computer vision and speech recognition, due to its capacity to learn representations able to process raw signals to achieve high level tasks. In this research project, we will develop approaches based on deep learning for airborne maritime radar signal processing, where the signal is relatively unstructured and severely noisy. More specifically, we will assess approaches to 1) suppress sea clutter and detect targets in static signal; 2) detect targets from sequential radar signal; and 3) track targets from sequential signals. Moreover, deep learning requires big datasets covering a variety of contexts to attain good results, while the databases publicly available are generally limited to specific environments. Thus, we will also explore deep learning-based approaches to enhance the data obtained from simulation models, in order to augment the dataset and cover more situations with signals having realistic characteristics (e.g., sophisticated noise components). This has the potential of leading to the discovery of better ways to process radar signals and as such improve the performance of sensing devices based on this technology, with a possible positive impact on coastal surveillance for increasing national security and safety in maritime environments.#(cr)#(lf)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.

深度学习在计算机视觉和语音识别等领域取得了巨大的成功，因为它具有学习表征的能力，能够处理原始信号来完成高级任务。在这个研究项目中，我们将开发基于深度学习的方法来处理相对非结构化和严重噪声的机载海事雷达信号。更具体地说，我们将评估1)抑制海杂波和在静态信号中检测目标的方法；2)从序列雷达信号中检测目标的方法；以及3)从序列信号中跟踪目标的方法。此外，深度学习需要覆盖各种背景的大数据集才能获得良好的结果，而公开可用的数据库通常仅限于特定环境。因此，我们还将探索基于深度学习的方法来增强从仿真模型获得的数据，以便扩大数据集并覆盖更多具有真实特征的信号(例如，复杂的噪声分量)。这有可能导致发现更好的方法来处理雷达信号，从而改进基于这一技术的传感设备的性能，并可能对沿海监视产生积极影响，以加强国家安全和海洋环境的安全。L的徒弟S的徒弟S在侦察活动中扮演了一个重要的角色。雷达航海雷达的研究、开发和应用是L的徒弟，也是最大的非结构化和非结构化的信号传递。1)信号统计；2)信号统计；2)S雷达；3)S雷达。此外，L的徒弟们还提出了一项新的要求，那就是环境保护和环境保护方面的问题。在反面，nous allonégalement探险家Des走近basées sur L的学徒教授和更多的人和对象的模拟，一个in d‘Augmenter le Jeu de données et Couvrir加上de Situle Signal o de Caractéristique réalistes(例如：作曲家的声音)。S所采用的技术、影响潜在影响的技术，以及国家S和国家海事局S等人对国家海上交通的监视和监视，都具有潜在的潜在影响。