Đề xuất mạng nơ-ron học sâu ARTRNet cho bài toán tự động nhận dạng mục tiêu ra đa FMCW
86 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.84.2022.24-31Từ khóa:
FMCW; Radar; Range; Azimuth; Doppler; Object detection; Deep learning.Tóm tắt
Trong bài báo này, chúng tôi đề xuất một mạng nơ-ron học sâu (đặt tên là ARTRNet) có chức năng tự động nhận dạng mục tiêu ra đa dựa trên dấu hiệu đặc trưng diện tích phản xạ hiệu dụng và tần số Doppler của mục tiêu trong tín hiệu phản xạ. Dữ liệu thô đầu vào mạng nơ-ron ARTRNet được định dạng 3D với các thông tin cự ly – phương vị – tần. Tác giả đề xuất một cải tiến hàm mất mát trong quá trình huấn luyện mạng nơ-ron giúp nâng cao hiệu năng nhận dạng mục tiêu của mô hình.
Tài liệu tham khảo
[1]. Jedrzej Drozdowicz, Maciej Wielgo, Piotr Samczynski, Krzysztof Kulpa, Jaroslaw Krzonkalla, Maj Mordzonek, Marcin Bryl, Zbigniew Jakielaszek “35 GHz FMCW Drone Detection System”.
[2]. Jinwei Wan, Bo Chen1, Bin Xu, Hongwei Liu and Lin Jin. “Convolutional neural networks for radar HRRP target recognition and rejection”. EURASIP Journal on Advances in Signal, 2019:5, (2019). DOI: https://doi.org/10.1186/s13634-019-0603-y
[3]. Nguyễn Văn Trà, Đoàn Văn Sáng, Vũ Chí Thanh, Trần Công Tráng, "Đánh giá hiệu năng tự động phân loại mục tiêu radar của một số mạng nơ-ron hiện đại". Tạp chí Nghiên cứu KH&CN quân sự, số 74. (2021).
[4]. Woosuk Kim 1, Hyunwoong Cho 1, Jongseok Kim 1, Byungkwan Kim 2 and Seongwook Lee “YOLO-Based Simultaneous Target Detection and Classification in Automotive FMCW Radar Systems”. MDPI, 20 May, (2020). DOI: https://doi.org/10.3390/s20102897
[5]. Long, X., Deng, K., Wang, G., Zhang, Y., Dang, Q., Gao, Y.,... & Wen, S., “PP-YOLO: An Effective and Efficient Implementation of Object Detector”. arXiv preprint arXiv:2007.12099, (2020).
[6]. Liu, Y., Wang, Y., Wang, S., Liang, T., Zhao, Q., Tang, Z., & Ling, H., CBNet: “A Novel Composite Backbone Network Architecture for Object Detection”. In AAAI, pp. 11653- 1660, (2020). DOI: https://doi.org/10.1609/aaai.v34i07.6834
[7]. A. Bochkovskiy, C. Y. Wang, and H. M. Liao, “Yolov4: Optimal speed and accuracy of object detection,” arXiv preprint arXiv:2004.10934, (2020).
[8]. Yu, J., Jiang, Y., Wang, Z., Cao, Z., & Huang, T., “Unitbox: An advanced object detection network”. In Proceedings of the 24th 15 ACM international conference on Multimedia, pp. 516-520, (2016). DOI: https://doi.org/10.1145/2964284.2967274
[9]. Zheng, Z., Wang, P., Liu, W., Li, J., Ye, R., & Ren, D. “Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression”. In AAAI, pp. 12993-13000, (2020). DOI: https://doi.org/10.1609/aaai.v34i07.6999
[10]. Tomasz Jasinski, Irina Antipov, Sildomar T. Monteiro, Graham Brooker “W-Band Maritime Target Classification using HighResolution Range Profiles”. The University of Sydney NSW, Australia, (2006).
[11]. Villeval, S.; Bilik, I.; Gurbuz, S.Z. “Application of a 24 GHz FMCW automotive radar for urban target classification”. In Proceedings of the IEEE Radar Conference, Cincinnati, OH, USA, 19–23, (2014). DOI: https://doi.org/10.1109/RADAR.2014.6875787
[12]. Rytel-Andrianik, R.; Samczynski, P.; Gromek, D.; Weilgo, J.; Drozdowicz, J.; Malanowski, M. “Micro-range, micro-Doppler joint analysis of pedestrian radar echo”. In Proceedings of the IEEE Signal Processing Symposium (SPSympo), Debe, Poland, 10–12 June, (2015). DOI: https://doi.org/10.1109/SPS.2015.7168298
[13]. Lim, S.; Lee, S.; Yoon, J.; Kim, S.-C. “Phase-based target classification using neural network in automotive radar systems”. In Proceedings of the IEEE Radar Conference (RadarConf), Boston, MA, USA, 22–26 April, (2019). DOI: https://doi.org/10.1109/RADAR.2019.8835725
[14]. Shang Jiang, Haoran Qin, Bingli Zhang, Jieyu Zheng. “Optimized Loss Functions for Object detection: A Case Study on Nighttime Vehicle Detection”, Computer Vision and Pattern Recognition, (2020).
[15]. K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in IEEE conference on computer vision and pattern recognition, pp. 770–778, (2016).
[16]. J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” in IEEE conference on Computer Vision and Pattern Recognition, pp. 779–788, (2016). DOI: https://doi.org/10.1109/CVPR.2016.91
