تشخيص هدف مجموعه باز در تصاوير رادار روزنه مصنوعي با استفاده از يادگيري عميق

اصفهان : دانشگاه صنعتي اصفهان

برق

كارشناسي ارشد

در اين پژوهش به مسئله شناسايي هدف در تصاوير رادار روزنه مصنوعي (SAR) تحت سناريوي مجموعه‌باز پرداخته شده است؛ سناريويي كه در آن علاوه بر طبقه‌بندي صحيح اهداف شناخته‌شده، بايد توانايي تشخيص و رد نمونه‌هاي ناشناخته نيز وجود داشته باشد. چالش‌هايي همچون نويز ضربه‌اي، تغييرپذيري شديد الگوي بازتاب رادار نسبت به زاويه‌ ديد و كمبود داده‌هاي برچسب‌خورده موجب شده‌اند روش‌هاي سنتي و حتي شبكه‌هاي كانولوشني در شرايط واقعي عملكرد پايداري نداشته باشند. براي رفع اين محدوديت‌ها، در اين تحقيق معماري جديدي ارائه شده است كه در آن مبدل بصري (ViT) براي استخراج وابستگي‌هاي كلي تصوير، شبكه‌هاي كپسولي براي مدل‌سازي ساختار فضايي هدف و حفظ آرايش اجزا و طبقه‌بند PS-OpenMax براي تشخيص نمونه‌هاي ناشناخته به‌صورت يكپارچه به‌كار گرفته شده‌است. همچنين الگوريتم PSO براي تنظيم هوشمند ابرپارامتر اين طبقه‌بند استفاده شده است. عملكرد مدل پيشنهادي با استفاده از مجموعه‌داده‌هاي معتبر MSTAR، SAMPLE و SAR-ACD ارزيابي شده و نشان مي‌دهد كه مدل نسبت به پژوهش‌هاي مرتبط، دقت بالاتر، مقاومت بيشتر در برابر افزايش Openness و تعميم‌پذيري قابل‌توجهي روي داده‌هاي مستقل دارد. الگوريتم پيشنهادي ما در اين پژوهش روي مجموعه داده SAMPLE توانسته است به صحت %59/95 و شاخص F1 معادل %45/96 دست يابد كه بالاتر از پژوهش‌هاي پيشين است. همچنين روش پيشنهادي ما توانسته است مقدار صحت %13/96 و شاخص F1 %49/96 را بر روي مجموعه داده SAR-ACD كسب كند. اين نتايج بيانگر آن است كه تركيب ساختارهاي مبتني بر مبدل‌ها و شبكه‌هاي كپسولي همراه با روش‌هاي پيشرفته تشخيص نمونه‌هاي ناشناخته، چارچوبي مناسبي براي توسعه سامانه‌هاي شناسايي خودكار هدف ATR)) در تصاوير SAR فراهم مي‌كند.

237757

مخابرات سيستم

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان