Author:
Nguyen Tra,Vu Chi Thanh ,Doan Van Sang
Abstract
Trong bài báo này, chúng tôi đề xuất một mô hình sinh ảnh theo cấu trúc mạng sinh đối nghịch nhằm tăng cường ảnh cho tập dữ liệu mục tiêu ra đa RAD-DAR. Kết quả của các phép so sánh, đánh giá chỉ ra rằng các ảnh được tạo ra bởi phương pháp đề xuất có sự tương đồng cao so với ảnh gốc. Quá trình thực nghiệm cũng cho thấy mô hình mạng nơ-ron học sâu huấn luyện trên tập dữ liệu tăng cường có độ chính xác nhận dạng mục tiêu ra đa cao hơn so với mô hình huấn luyện trên tập dữ liệu gốc. Mô hình sinh dữ liệu bài báo đề xuất là một giải pháp hiệu quả để khắc phục tình trạng thiếu hụt dữ liệu trong các tập dữ liệu mục tiêu ra đa.
Publisher
Academy of Military Science and Technology
Reference14 articles.
1. [1]. Marcio L. Lima de Oliveira and Marco J. G. Bekooij. “Generating Synthetic Short-Range FMCW RangeDoppler Maps Using Generative Adversarial Networks and Deep Convolutional Autoencoders”. In: 2020 IEEE Radar Conference (RadarConf20). pp. 1–6, (2020). DOI: 10.1109/RadarConf 2043947.2020.9266348.
2. [2]. Arthur Ouaknine, Alasdair Newson, Julien Rebuty, Florence Tupin and Patrick Perez. “CARRADA Dataset: Camera and Automotive Radar with Range-Angle-Doppler Annotations”. 2020 25th International Conference on Pattern Recognition (ICPR) Milan, Italy, Jan 10-15, (2021).
3. [3]. Yizhou Wang, Zhongyu JiangYudong Li, Jenq-Neng Hwang “RODNet: A Real-Time Radar Object Detection Network Cross-Supervised by Camera-Radar Fused Object 3D Localization”. arXiv:2102.05150v1 [cs.CV] (2021).
4. [4]. Xiangyu Gao, Guanbin Xing, Sumit Roy, and Hui Liu “RAMP-CNN: A Novel Neural Network for Enhanced Automotive Radar Object Recognition”. arXiv technical report (arXiv 2011.08981).
5. [5]. Ali, S., Ghatwary, N., Braden, B., Lamarque, D., Bailey, A., Realdon, S., Cannizzaro, R., Rittscher, J., Daul, C., & East, J., “Endoscopy disease detection challenge 2020”. ArXiv Preprint ArXiv:2003.03376, (2020).