CN116908806A - 一种基于自监督学习的多维特征目标检测方法 - Google Patents
一种基于自监督学习的多维特征目标检测方法 Download PDFInfo
- Publication number
- CN116908806A CN116908806A CN202311175096.0A CN202311175096A CN116908806A CN 116908806 A CN116908806 A CN 116908806A CN 202311175096 A CN202311175096 A CN 202311175096A CN 116908806 A CN116908806 A CN 116908806A
- Authority
- CN
- China
- Prior art keywords
- target
- detection
- dimensional
- data
- doppler
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 144
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000002372 labelling Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 21
- 238000013519 translation Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000009966 trimming Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000013508 migration Methods 0.000 abstract description 2
- 230000005012 migration Effects 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000238097 Callinectes sapidus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于自监督学习的多维特征目标检测方法,包括:对下行AD数据进行信号处理;对中心波束在距离‑多普勒上采用CFAR检测,获取到疑似目标点所在距离门和多普勒门信息;提取疑似目标点的多维特征;设计上游任务并构建上游任务特征数据集及相应标注;生成训练完成的神经网络模型;构建多维特征目标检测数据集;获得基于神经网络的目标检测模型;对下行AD数据进行信号处理;对中心波束在距离‑多普勒上采用CFAR检测;提取疑似目标点的多维特征;输出判定为真实目标的点迹结果。本发明的方法通过自监督学习和模型迁移的方式,针对目标检测任务所需标注样本少,且生成的神经网络模型具有良好的泛化性。
Description
技术领域
本发明属于目标检测技术领域,尤其涉及一种基于自监督学习的多维特征目标检测方法。
背景技术
传统基于模型知识的目标检测方法主要基于统计信号处理理论,即假设噪声、杂波等背景遵循复数高斯、K-分布等统计分布,在时、空、频等维度上对回波数据进行处理后采用恒虚警检测(CFAR)计算统计检验量,并与阈值进行比较进行假设检验以确定是否有目标存在。
但在复杂环境下,样式多、变化大、强度高、非平稳的杂波加上无意干扰,使得目标与背景难以从幅度和功率等能量维度上难以区分。若仅采用基于能量的阈值检测严重影响探测设备对目标的检测能力,产生大量虚警或造成大量丢点,严重影响后续跟踪性能。
飞速发展的人工智能技术提供了一种新技术途径,即基于数据驱动并结合基于统计信号模型的知识驱动的形式,对回波经预处理后从多维特征空间判定目标是否存在。该思路将机器学习理论与方法可以应用到雷达目标检测领域,结合传统信号处理模型知识,有望实现目标和虚警更准确的区分,以实现较传统方法更好的虚警剔除和弱小目标检测效果。目前已有部分研究采用卷积神经网络(CNN)和支持向量机(SVM)以及聚类(在公开号为CN109444840B,发明名称为一种基于机器学习的雷达杂波抑制方法的专利申请中提及)等机器学习方法根据时频特征图或分形特征对目标和杂波进行区分,实现较传统阈值检测方法更准确的目标检测。
上述研究均为监督学习方法,需要有大量的良好的人工标注数据。当数据量不足或数据多样性不够时,上述基于监督学习的目标检测性能不佳甚至不能应用。尤其是基于深度卷积神经网络的虚警抑制方法通常要求具备网络模型参数量级别的数据样本量,以一个简单的ResNet18模型为例,其网络模型参数有大约1100万,因此若训练样本太少则网络模型的性能将极大受限。且若数据中错误标注过多也会造成严重的性能下降。而在探测感知领域,目前样本标注方法主要基于标注工具通过人手工标注,耗时费力,导致即使在实验中积累了大量实测数据也无法充分利用,造成数据资源的极大浪费。此外,标注质量也因人而异,难以保证标注完全正确;对于一些复杂场景下的疑似目标即使专家标注也无法保证标注正确。这为数据驱动的机器学习方法应用于目标检测的实现与优化带来了挑战,阻碍了机器学习方法在探测感知领域的落地应用。
发明内容
为了解决上述问题,本发明提出了一种基于自监督学习的多维特征目标检测方法,包括以下步骤:
训练阶段:
对下行AD数据进行信号处理,获得积累后的强度图,其维度为距离-多普勒-波位;
对中心波束在距离-多普勒上采用CFAR检测,获取到疑似目标点所在距离门和多普勒门信息;
提取疑似目标点的多维特征;
构建目标检测任务相关的上游任务,通过数据增强及仿真综合构建上游任务特征数据集及相应标注;
针对构建的上游任务,基于生成的上游任务特征数据集及其标注,训练神经网络模型,生成训练完成的神经网络模型;
根据提取的疑似目标点的多维特征构建多维特征目标检测数据集;
将针对上游任务训练完成的神经网络模型迁移到当前目标检测任务,利用带标注的目标特征样本对神经网络模型进行微调,以获得基于神经网络的目标检测模型;
测试阶段:
对下行AD数据进行信号处理,获得积累后的强度图,其维度为距离-多普勒-波位;
对中心波束在距离-多普勒上采用CFAR检测;
提取疑似目标点的多维特征;
利用训练阶段构建的基于神经网络的目标检测模型在特征空间对CFAR检测的疑似目标点进行判别,对虚警点进行抑制,其输出判定为真实目标的点作为点迹结果。
进一步地,所述对下行 AD 数据进行信号处理,包括脉冲压缩、数字波束形成、脉冲多普勒和空时自适应处理操作。
进一步地,所述CFAR检测包括一维距离维检测、二维距离-多普勒维检测和距离-多普勒-方位检测。
进一步地,所述提取疑似目标点的多维特征具体为:
根据疑似目标点所在距离门、多普勒门和波束位置截取相邻距离门、多普勒门和波束维中的一维或多维数据,截取的数据的波束位置用圈表示,截取的数据为当圈数据或从当圈到前N圈的多圈数据。
进一步地,上游任务神经网络模型的训练生成,包括构建各类CNN网络模型、RNN网络模型、Transformer和图神经网络模型,利用上游任务特征数据集训练模型参数。
进一步地,选取部分CFAR检测后疑似目标点的点迹结果进行真实目标和虚假目标标注,结合其对应目标特征,构建出多维特征目标检测数据集。
进一步地,对上游任务训练完成的神经网络模型进行的微调,包括替换神经网络模型中的线性连接层、卷积层、汇聚层三者中的部分或全部;
对上游任务训练完成的神经网络模型进行的微调,还包括利用所构建的多维特征目标检测数据集对上游任务训练完成的神经网络模型进行训练学习,所述训练学习的设置包括损失函数、优化器、学习率的设计。
进一步地,疑似目标点的多维特征为经过信号处理后的强度数据、进行CFAR检测后的信噪比数据或经过杂波图检测后的信杂比数据。
进一步地,目标检测任务的上游任务的构建方法,包括以下特征:
a)任务输入为疑似目标点的多维特征在距离-多普勒-波位上的一维或多维的变换;
b)特征a)所述变换的变换量根据实际情况设置,变换量被编码后作为数据在目标特征样本上标注,该标注不依赖于人工标注。
进一步地,所述上游任务特征数据集通过对疑似目标点的多维特征进行变换而构建,所述变换包括变换类型和变换类型的变换参数,变换类型包括平移、翻转或在距离-多普勒-波位上的一维或多维的联合线性变换。
本发明与现有技术相比,具备的优点在于:
1.生成上游任务的输入数据及其标注由无标注数据综合生成,实现无需手动标注的上游任务的模型训练。
2.通过模型迁移的方式,针对目标检测任务所需标注样本少,且生成的神经网络模型具有良好的泛化性。
3.较传统的能量阈值检测方法虚警率更低。
4.与传统信号处理和检测流程兼容,可通过实施本发明方法实现性能提升。
5.本发明方法的运算效率高,能够满足实时需求。
附图说明
图1为本发明实施例的基于自监督学习的目标检测模型构建流程概览图。
图2 为本发明实施例的基于自监督学习的目标检测方法流程概览图。
图3为本发明实施例的一个面向上游平移识别任务的CNN网络示例图。
图4为本发明实施例的一个面向当前目标检测任务的CNN网络示例图。
图5为本发明实施例的一次实测实验的正常阈值(13.5 dB)检测点迹结果图。
图6为本发明实施例的用于构建数据集的点迹图。
图7为本发明实施例的距离-多普勒-圈特征示例图。
图8为本发明实施例所构建的上游平移任务的示意图。
图9为本发明实施例的一次实测实验的基于自监督学习检测点迹结果图。
图10为本发明实施例的实测实验中局部区域一的检测点迹距离-方位结果图。
图11为本发明实施例的实测实验中局部区域一的检测点迹距离-方位结果图。
图12为本发明实施例的实测实验中局部区域一的检测点迹距离-时间结果图。
具体实施方式
为克服目标检测任务中目标难以标注的瓶颈问题,本发明提出一种基于自监督学习的目标检测方法。
自监督学习方法可从大规模未标记数据中学习一般图像特征,而无需使用任何人工标注的标签。自监督学习方法是一种具有监督形式的无监督学习方法,这里的监督是由自监督学习任务而不是预设先验知识诱发的。自监督学习方法能通过输入的某一部分预测其它部分。比如在空间层面上包括图像补全、图像变换等。与完全无监督学习相比,本技术方案所述自监督学习使用数据集本身的信息来构造伪标签,及通过构建合适的上游任务实现对目标任务的有益的特征表示。
本发明通过构建目标检测相关的上游任务,并综合生成带准确标注的样本数据,对设计的神经网络模型进行预训练,使其获得良好的特征提取与表示能力,再通过少量带标注的目标特征样本对模型进行微调,以获得基于神经网络的目标检测模型;结合低阈值检测实现对目标检测能力的有效提升,从而有效增强探测感知效能。
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请。
整体而言,本实施例首先构建与目标检测任务相关的上游任务,如目标特征的平移等,并在这些上游任务中对神经网络进行训练学习,以实现网络对目标特征的有效表示;随后将学习到的参数迁移到目标检测任务的神经网络中,并通过微调学习获得最终网络模型,具体包括以下步骤:
1.构建疑似目标特征空间
利用CFAR检测后疑似目标点的多圈距离-多普勒特征(多维特征),即在多圈上截取疑似目标点所在距离门和多普勒门附近距离门和多普勒门的强度。通过对比所截取的多圈特征,实现对目标运动信息的认知,以达到数据驱动的检测前跟踪(TBD)类似的效果。
2.构建目标检测任务的自监督学习上游任务
通过构建与目标检测相关的上游任务,综合生成上游任务数据集,并自主生成相应标签,实现神经网络模型在无需标注条件下获得目标多圈距离-多普勒特征的有效表示。相关上游任务可以是目标特征的距离门平移或翻转以及距离门和多普勒门的联合线性变换等。
3.构建目标检测神经网络模型
通过构建上游任务实现对神经网络的训练,并迁移到当前目标检测任务上,例如采用在上游任务中训练好的神经网络模型参数,替换其全连接层或替换全连接层及最后一层卷积层,并利用极少量标注数据对神经网络模型进行训练微调,完成对当前目标检测任务的神经网络模型构建。所述对神经网络模型进行训练微调需要的标注数据一般少于300个样本数据。
图1和图2分别描述了本发明所提出的基于自监督学习的目标检测方法训练和测试的流程,其中训练阶段为离线处理,而测试阶段可为离线也可为在线处理。
训练阶段如图1所示,主要内容的其中一种实现形式可包括以下步骤:
1、对下行AD数据进行信号处理。
对下行AD数据进行脉冲压缩、数字波束形成和脉冲多普勒(PD)处理后获得积累后的强度图,其维度为距离-多普勒-波位。对每圈信号处理结果以队列的数据结构缓存在内存中,最大缓存量为6圈数据。所述对下行 AD 数据进行信号处理,包括脉冲压缩、数字波束形成、脉冲多普勒和空时自适应处理操作。
2、对中心波束在距离-多普勒上采用CFAR(低阈值恒虚警)检测。
所述CFAR检测包括一维距离维检测、二维距离-多普勒维检测和距离-多普勒-方位检测,具体为在CFAR检测中选用十字区域作为参考单元,选用测试单元相邻单元作为保护单元;选用较低检测门限,例如10dB;CFAR检测后获取到疑似目标点所在距离门和多普勒门等信息。
3、提取疑似目标点的多维特征
所述提取疑似目标点的多维特征具体为:
根据疑似目标点所在距离门、多普勒门和波束位置截取相邻距离门、多普勒门和波束维中的一维或多维数据,截取的数据的波束位置用圈表示,截取的数据为当圈数据或从当圈到前N圈的多圈数据。
所述疑似目标多维特征的提取方法,具体包括以下步骤:
a)以疑似目标点为中心或中心附近的多维特征数据块;
b)多维特征数据块为经过信号处理后的强度数据、进行CFAR检测后的信噪比数据或经过杂波图检测后的信杂比数据;
c)多维特征数据块的为距离、多普勒、波束位置和圈中的某一维或多维。
本实施例中根据疑似目标点所在距离门和多普勒门位置截取相邻正负各16个距离门和3个多普勒门,并在相近波位截取6圈数据,即截取的疑似目标多圈距离-多普勒特征为33个距离门、17个多普勒门、6圈的三维数据,如图7所示。图中自左向右的子图代表当前圈距离-多普勒特征、前一圈距离-多普勒特征、前两圈距离-多普勒特征,以此类推。
4、构建目标检测任务相关的上游任务,通过数据增强及仿真综合构建上游任务特征数据集及相应标注;
所述上游任务特征数据集的构建方法具体为:构建疑似目标特征沿距离维平移或翻转的上游任务,通过控制平移量获取平移或翻转的特征作为CNN模型的输入特征,将平移量或是否翻转作为标签数据,共同组成上游任务数据集;
所述平移或翻转既适用于所有圈特征数据,也适用于某圈特征数据;平移或翻转操作既适用于通过将多圈特征分割为多个单圈特征来完成,也适用于仅选择当圈特征来完成;
通过在距离-多普勒-波位上的一维或多维的联合线性变换构建上游任务特征数据集。
目标检测任务的上游任务的构建方法,包括以下特征:
a)任务输入为目标多维特征在距离-多普勒-波位上的一维或多维的变换;
b)特征a)所述变换的变换量根据实际情况设置,变换量被编码后作为数据在目标特征样本上标注,该标注不依赖于人工标注。
本实施例中上游任务特征数据集的构建过程为:取部分疑似目标点对应的多圈的距离-多普勒特征,将其各圈的33个距离门 17个多普勒门数据沿距离维进行平移,平移量在-17~17范围内可设,并采用平移量作为样本数据标注。
5、针对构建的上游任务,基于自主生成的输入特征数据集及其标注,训练神经网络模型,包括构建各类CNN网络模型、RNN网络模型、Transformer和图神经网络模型,利用上游任务特征数据集训练模型参数。
本实施例具体为:基于所构建的上游任务数据集对图3所示卷积神经网络(CNN)模型进行训练,采用交叉熵作为损失函数,采用随机梯度下降(SGD)优化器,基于梯度下降方式学习得到其卷积层和全连接层等各层参数。
6.构建多维特征目标检测数据集
取部分疑似目标点如图6所示目标点,在距离-时间、速度-时间和距离-速度等维度上由人工进行判断实现真实目标和虚假目标标注,提取其所对应的多圈的距离-多普勒特征,共同组成多维特征目标检测数据集。注意到该数据集对数据量要求很低,在当前示例中共包括大约860个样本,极大降低了人工标注成本。
7、将针对上游任务训练完成的神经网络模型迁移到当前目标检测任务,利用极少量带标注的目标特征样本对模型进行微调,以获得基于神经网络的目标检测模型。
对上游任务训练完成的神经网络模型进行的微调,包括替换神经网络模型中的线性连接层、卷积层、汇聚层三者中的部分或全部;
对上游任务训练完成的神经网络模型进行的微调,还包括利用所构建的多维特征目标检测数据集对上游任务训练完成的神经网络模型进行训练学习,所述训练学习的设置包括损失函数、优化器、学习率的设计。
本实施例具体为:
将步骤5中生成的如图3所示CNN模型迁移到图4所示CNN模型,即图3所示CNN模型中的全连接层替换为图4所示CNN模型中的全连接层,而图4所示CNN模型中其他参数均与图3所示CNN模型中对应参数相同。并采用步骤6中所构建的多维特征目标检测数据集对如图4所示CNN模型进行微调训练,即通过学习获得其全连接层参数。微调学习后即可获得目标检测的CNN网络模型。
测试阶段如图2所示,主要内容的其中一种实现形式可包括以下步骤:
1、对下行AD数据进行信号处理;
2、对中心波束在距离-多普勒上采用CFAR检测。
3.提取疑似目标点的多圈距离-多普勒特征。
上述三个步骤与基于自监督学习的目标检测模型的训练阶段的信号处理、CFAR检测和特征提取流程相同。
4、利用训练阶段构建的神经网络模型在特征空间对CFAR检测的疑似目标点进行判别,对虚警点进行抑制,其输出判定为真实目标的点作为点迹结果,具体为:
输入步骤3中提取的疑似目标点的多圈距离-多普勒特征,即33个距离门 17个多普勒门 6圈的三维数据,由已构建的目标检测模型对输入特征数据进行处理获得在多维特征空间对真实目标和虚假目标的判定结果,滤除判定为虚假目标的检测点,剩下的判定为真实目标的检测点作为最终点迹输出。
图7展示了一个真实目标的多圈距离-多普勒特征,自左向右子图1代表当前圈距离-多普勒特征,子图2代表上一圈距离-多普勒特征,子图3代表上两圈距离-多普勒特征,以此类推。
而图8展示了一个综合生成的目标检测的上游任务,即预测多圈距离-多普勒特征的距离平移量任务的输入数据。自左向右子图1代表将当前圈距离-多普勒特征沿距离维向前平移1个距离门的示例,子图2代表将当前圈距离-多普勒特征沿距离维向前平移2个距离门的示例,以此类推。注意到6圈数据均需执行同样的距离维平移。且注意到这里的平移为循环平移,即当距离门向前平移1个距离门时,原距离门2平移到距离门1,原距离门1平移到距离门33。
图3为本实施例中所构建的上游任务的卷积神经网络(CNN)模型示例。其输入为距离维经过平移的疑似目标点的33个距离门 17个多普勒门 6圈的三维数据,输出为33分类结果,分别代表其多普勒平移量为-16~16。
而图4为当前任务,即目标检测任务的CNN模型,其输入所提取的疑似目标点的33个距离门 17个多普勒门 6圈的三维数据,输出为2分类结果,分别代表真实目标和虚假目标。
在图1所示步骤中“神经网络模型微调”过程中,一种实现方式为将图3所示的CNN模型的全连接层替换为图4所示的CNN模型中的全连接层并采用所构建的目标检测数据集对其进行微调训练,获得全连接层参数,而其他卷积层参数与图3所示的CNN模型的卷积层参数相同。
图6展示了用于构建目标检测数据集所用的疑似目标点的距离-方位图,由图1中“阈值检测”流程产生,所用疑似目标点为图5中归一化距离0.75~1方位-10~90度区域的疑似目标点。其中蓝色点为真实目标点,红色点为虚假目标点,由人工在距离-时间、速度-时间、距离-速度等维度上进行判断实现标注。其中真实目标点有500个,负样本有360个。提取这些疑似目标点的多圈距离-多普勒特征作,加上对应的真实目标或虚假目标标注,构成目标检测数据集。
图5给出了一次正常阈值检测点迹的距离-方位结果,图9为采用自监督学习的多维特征目标检测点迹的距离-方位结果,前者共检测出78024点,后者检测出60780点。通过对比两图可见,自监督学习的多维特征目标检测结果无明显目标损失,但点迹结果总点迹更少,即实现了更好的虚警抑制效果,尤其是在-40-30度方位角0.02-0.24相对距离的杂波区域中明显降低了离散的虚警点,有效提升了对目标的检测能力。
图10为本发明实施例的实测实验中局部区域一的检测点迹距离-方位结果图。左图为正常阈值(13.5 dB)检测点迹结果,右图为基于自监督学习检测点迹结果。
图11为本发明实施例的实测实验中局部区域一的检测点迹距离-方位结果图。左图为正常阈值(13.5 dB)检测点迹结果,右图为基于自监督学习检测点迹结果。
图12为本发明实施例的实测实验中局部区域一的检测点迹距离-时间结果图。左图为正常阈值(13.5 dB)检测点迹结果,右图为基于自监督学习检测点迹结果。
图10和图11对图5和图9进行了局部放大对比,其中左图均为正常阈值检测点迹的距离-方位结果,右图均为基于自监督学习的多维特征目标检测点迹的距离-方位结果。图12为图11区域检测点迹的距离-时间结果,其中左图为正常阈值检测点迹的距离-时间结果,右图为基于自监督学习的多维特征目标检测点迹的距离-时间结果。
对比这些结果表明:基于自监督学习的多维特征目标检测能有效抑制虚假目标,较传统的能量阈值检测方法虚警率更低,实现对目标检测性能的有效提升。
本发明通过构建目标检测任务相关的上游任务使得神经网络模型对目标特征能进行有效表示,在极少量样本标注的条件下实现在特征空间对真实目标和虚假目标的有效区分,结合低阈值检测可以实现雷达对目标检测能力的有效提升。
以上所述仅为本发明的较佳实施例、并不用以限制本发明、凡在本发明的精神和原则之内、所作的任何修改、等同替换、改进等、均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于自监督学习的多维特征目标检测方法,其特征在于,包括以下步骤:
训练阶段:
对下行AD数据进行信号处理,获得积累后的强度图,其维度为距离-多普勒-波位;
对中心波束在距离-多普勒上采用CFAR检测,获取到疑似目标点所在距离门和多普勒门信息;
提取疑似目标点的多维特征;
构建目标检测任务相关的上游任务,通过数据增强及仿真综合构建上游任务特征数据集及相应标注;
针对构建的上游任务,基于生成的上游任务特征数据集及其标注,训练神经网络模型,生成训练完成的神经网络模型;
根据提取的疑似目标点的多维特征构建多维特征目标检测数据集;
将针对上游任务训练完成的神经网络模型迁移到当前目标检测任务,利用带标注的目标特征样本对神经网络模型进行微调,以获得基于神经网络的目标检测模型;
测试阶段:
对下行AD数据进行信号处理,获得积累后的强度图,其维度为距离-多普勒-波位;
对中心波束在距离-多普勒上采用CFAR检测;
提取疑似目标点的多维特征;
利用训练阶段构建的基于神经网络的目标检测模型在特征空间对CFAR检测的疑似目标点进行判别,对虚警点进行抑制,其输出判定为真实目标的点作为点迹结果。
2.根据权利要求1所述的基于自监督学习的多维特征目标检测方法,其特征在于,所述对下行 AD 数据进行信号处理,包括脉冲压缩、数字波束形成、脉冲多普勒和空时自适应处理操作。
3.根据权利要求1所述的基于自监督学习的多维特征目标检测方法,其特征在于,所述CFAR检测包括一维距离维检测、二维距离-多普勒维检测和距离-多普勒-方位检测。
4.根据权利要求1所述的基于自监督学习的多维特征目标检测方法,其特征在于,所述提取疑似目标点的多维特征具体为:
根据疑似目标点所在距离门、多普勒门和波束位置截取相邻距离门、多普勒门和波束维中的一维或多维数据,截取的数据的波束位置用圈表示,截取的数据为当圈数据或从当圈到前N圈的多圈数据。
5.根据权利要求1所述的基于自监督学习的多维特征目标检测方法,其特征在于,上游任务神经网络模型的训练生成,包括构建各类CNN网络模型、RNN网络模型、Transformer和图神经网络模型,利用上游任务特征数据集训练模型参数。
6.根据权利要求1所述的基于自监督学习的多维特征目标检测方法,其特征在于,选取部分CFAR检测后疑似目标点的点迹结果进行真实目标和虚假目标标注,结合其对应目标特征,构建出多维特征目标检测数据集。
7.根据权利要求1所述的基于自监督学习的多维特征目标检测方法,其特征在于,
对上游任务训练完成的神经网络模型进行的微调,包括替换神经网络模型中的线性连接层、卷积层、汇聚层三者中的部分或全部;
对上游任务训练完成的神经网络模型进行的微调,还包括利用所构建的多维特征目标检测数据集对上游任务训练完成的神经网络模型进行训练学习,所述训练学习的设置包括损失函数、优化器、学习率的设计。
8.根据权利要求1所述的基于自监督学习的多维特征目标检测方法,其特征在于,疑似目标点的多维特征为经过信号处理后的强度数据、进行CFAR检测后的信噪比数据或经过杂波图检测后的信杂比数据。
9.根据权利要求1所述的基于自监督学习的多维特征目标检测方法,其特征在于,目标检测任务的上游任务的构建方法,包括以下特征:
a)任务输入为疑似目标点的多维特征在距离-多普勒-波位上的一维或多维的变换;
b)特征a)所述变换的变换量根据实际情况设置,变换量被编码后作为数据在目标特征样本上标注,该标注不依赖于人工标注。
10.根据权利要求9所述的基于自监督学习的多维特征目标检测方法,其特征在于,所述上游任务特征数据集通过对疑似目标点的多维特征进行变换而构建,所述变换包括变换类型和变换类型的变换参数,变换类型包括平移、翻转或在距离-多普勒-波位上的一维或多维的联合线性变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311175096.0A CN116908806B (zh) | 2023-09-13 | 2023-09-13 | 一种基于自监督学习的多维特征目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311175096.0A CN116908806B (zh) | 2023-09-13 | 2023-09-13 | 一种基于自监督学习的多维特征目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116908806A true CN116908806A (zh) | 2023-10-20 |
CN116908806B CN116908806B (zh) | 2023-12-01 |
Family
ID=88357015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311175096.0A Active CN116908806B (zh) | 2023-09-13 | 2023-09-13 | 一种基于自监督学习的多维特征目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116908806B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007322331A (ja) * | 2006-06-02 | 2007-12-13 | Mitsubishi Electric Corp | レーダ装置 |
CN110161474A (zh) * | 2019-05-09 | 2019-08-23 | 中科宇达(北京)科技有限公司 | 一种基于数字波束形成技术的低慢小目标探测方法 |
CN113139623A (zh) * | 2021-05-14 | 2021-07-20 | 中国人民解放军91977部队 | 舰船目标识别方法及装置 |
CN113378716A (zh) * | 2021-06-11 | 2021-09-10 | 武汉大学 | 一种基于自监督条件的深度学习sar影像舰船识别方法 |
CN114325599A (zh) * | 2021-12-20 | 2022-04-12 | 成都汇蓉国科微系统技术有限公司 | 一种针对不同环境的自动门限检测方法 |
CN114518564A (zh) * | 2022-03-01 | 2022-05-20 | 上海航天电子通讯设备研究所 | 一种基于特征杂波图的海面低空小目标检测方法 |
CN115409064A (zh) * | 2022-08-31 | 2022-11-29 | 中国电子科技集团公司第十四研究所 | 一种基于集成学习的多维特征虚警剔除方法 |
-
2023
- 2023-09-13 CN CN202311175096.0A patent/CN116908806B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007322331A (ja) * | 2006-06-02 | 2007-12-13 | Mitsubishi Electric Corp | レーダ装置 |
CN110161474A (zh) * | 2019-05-09 | 2019-08-23 | 中科宇达(北京)科技有限公司 | 一种基于数字波束形成技术的低慢小目标探测方法 |
CN113139623A (zh) * | 2021-05-14 | 2021-07-20 | 中国人民解放军91977部队 | 舰船目标识别方法及装置 |
CN113378716A (zh) * | 2021-06-11 | 2021-09-10 | 武汉大学 | 一种基于自监督条件的深度学习sar影像舰船识别方法 |
CN114325599A (zh) * | 2021-12-20 | 2022-04-12 | 成都汇蓉国科微系统技术有限公司 | 一种针对不同环境的自动门限检测方法 |
CN114518564A (zh) * | 2022-03-01 | 2022-05-20 | 上海航天电子通讯设备研究所 | 一种基于特征杂波图的海面低空小目标检测方法 |
CN115409064A (zh) * | 2022-08-31 | 2022-11-29 | 中国电子科技集团公司第十四研究所 | 一种基于集成学习的多维特征虚警剔除方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116908806B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Samadi et al. | Change detection in SAR images using deep belief network: a new training approach based on morphological images | |
CN108154118B (zh) | 一种基于自适应组合滤波与多级检测的目标探测系统及方法 | |
CN112001270B (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
US20170316311A1 (en) | Sparse inference modules for deep learning | |
Han et al. | A combined online-learning model with K-means clustering and GRU neural networks for trajectory prediction | |
CN109948532A (zh) | 基于深度卷积神经网络的超宽带雷达人体动作识别方法 | |
Li | Research on radar signal recognition based on automatic machine learning | |
CN106483514B (zh) | 一种基于eemd和支持向量机的飞机运动模式识别方法 | |
Tripathi et al. | Optimized deep learning model for mango grading: Hybridizing lion plus firefly algorithm | |
CN109785366A (zh) | 一种针对遮挡的相关滤波目标跟踪方法 | |
CN112395987A (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN113486961A (zh) | 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备 | |
Zhang et al. | VGM-RNN: HRRP sequence extrapolation and recognition based on a novel optimized RNN | |
CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
Liu et al. | Unveiling patterns: A study on semi-supervised classification of strip surface defects | |
Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
Dorrer et al. | Building an artificial vision system of an agricultural robot based on the DarkNet system | |
Sun et al. | Image recognition technology in texture identification of marine sediment sonar image | |
Sun et al. | Radar emitter individual identification based on convolutional neural network learning | |
Zhang et al. | Target detection for HFSWR based on an S 3 D algorithm | |
CN113887583A (zh) | 基于深度学习的低信噪比下雷达rd图像目标检测方法 | |
CN113064133A (zh) | 一种基于时频域深度网络的海面小目标特征检测方法 | |
CN116908806B (zh) | 一种基于自监督学习的多维特征目标检测方法 | |
Ruan et al. | Automatic recognition of radar signal types based on CNN-LSTM | |
Chen et al. | Integrated processing of radar detection and classification for moving target via time-frequency graph and CNN learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |