JPH10239429A - 環境に適応して物体を分類する装置及び方法 - Google Patents

環境に適応して物体を分類する装置及び方法

Info

Publication number
JPH10239429A
JPH10239429A JP10037082A JP3708298A JPH10239429A JP H10239429 A JPH10239429 A JP H10239429A JP 10037082 A JP10037082 A JP 10037082A JP 3708298 A JP3708298 A JP 3708298A JP H10239429 A JPH10239429 A JP H10239429A
Authority
JP
Japan
Prior art keywords
neural network
doppler
widened
echo signal
radar echo
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.)
Pending
Application number
JP10037082A
Other languages
English (en)
Inventor
Michael Trompf
ミヒヤエル・トロンプフ
Hans Juergen Dr Matt
ハンス・ユルゲン・マツト
Dieter Baums
デイーテル・バオムス
Gebhard Thierer
ゲブハルト・テイーレル
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alcatel Lucent SAS
Original Assignee
Alcatel Alsthom Compagnie Generale dElectricite
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alcatel Alsthom Compagnie Generale dElectricite filed Critical Alcatel Alsthom Compagnie Generale dElectricite
Publication of JPH10239429A publication Critical patent/JPH10239429A/ja
Pending legal-status Critical Current

Links

Classifications

    • 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

(57)【要約】 【課題】 外部環境の影響を受けにくい、物体の自動分
類装置を提供する。 【解決手段】 ドップラー拡幅レーダエコー信号の特徴
（Ｍ）に関する入力ノード（ＩＮ１、…、ＩＮ５７）か
らなる入力層（ＩＬ）と、物体を割り当て得る所定のク
ラスに関する出力ノード（ＯＮ１、ＯＮ２、ＯＮ３）か
らなる出力層（ＯＬ）とを有するニューラルネットワー
ク（ＮＥＴ）を含む。ニューラルネットワーク（ＮＥ
Ｔ）は、制御情報（ＳＩ）を入力可能であり、ニューラ
ルネットワーク（ＮＥＴ）を一つ又は複数の外部影響要
因に適応させる、少なくとも一つの追加入力ノード（Ｚ
Ｎ１、ＺＮ２）を有する。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、ニューラルネット
ワークを使用する、ドップラー拡幅レーダエコー信号に
よって物体を自動的に分類する装置に関する。
【０００２】
【従来の技術】ドップラー拡幅レーダエコー信号によっ
て、物体を目標クラスに分類することが知られている。
ニューラルネットワークはこの分類に使用される。ドッ
プラー拡幅レーダエコー信号の特徴についての入力ノー
ドの層、隠された層、及び出力ノードの層を有する多層
パーセプトロンタイプのニューラルネットワークを使用
する、物体を自動的に分類する装置及び方法が、J．Mar
tinez Madrid 等著「A Neural Network Approach to Dop
pler-Based Target Classification」、Universidad Pol
itecnica de Medrid、Spainの４５０ページから４５３
ページに記載されている。
【０００３】時間とともに変化するデータを分類する装
置、特に物体をそれらのドップラーレーダ又はソナーの
信号によって分類する装置が、国際特許出願第ＷＯ９１
／０２３２３号（ＰＣＴ／ＵＳ９０／０４４８７号）に
記載されている。これは二次元データ、即ち周波数帯と
関連の時間スロットとを処理するように設計されてい
る。この目的のために、それは、周波数帯の数をＮとす
るとき少なくともＮ＋１個の入力ノードを有するニュー
ラルネットワークを有し、分類のために、時間スロット
の値及びそれぞれの周波数帯の関連の値がニューラルネ
ットワークの入力ノードに与えられる。
【０００４】物体を分類するさらに別の方法が、SPIE V
olume 2492 1995の「An AutomaticShip Classification
System for ISAR Imagery」と題するM.Menonによる論
文の３７３ページから３８８ページにより知られてい
る。この場合、船舶は、適応形クラスタ化ネットワーク
タイプのニューラルネットワークを使用してＩＳＡＲレ
ーダ装置のデジタル化されたビデオ画像によってクラス
に分類される。異なるビデオ画像の特徴ベクトルはニュ
ーラルネットワークに与えられる。
【０００５】現在知られている物体を分類する装置及び
方法では、分類の確実性が環境の影響に依存しており、
動作中に異なる環境的影響がトレーニングデータを決定
する間より優勢となる場合に、それらが比較的高い比率
で誤った分類を行うという欠点がある。
【０００６】
【発明が解決しようとする課題】本発明の目的は、環境
の影響への依存性が従来技術の装置より低い、物体を自
動的に分類する装置及び方法を提供することである。
【０００７】
【課題を解決するための手段】上記装置に関する目的
は、請求項１に記載の特徴及び請求項１０に記載の特徴
によって達成され、上記方法に関する目的は、請求項１
１及び請求項１２に記載の特徴によって達成される。有
利な構成は、従属請求項に記載されている。
【０００８】本発明の利点は、従来に比べ高い分類率が
達成されることである。
【０００９】以下に、二つの実施形態及び図１から図４
により、本発明について説明する。
【００１０】
【発明の実施の形態】本発明は、ドップラー拡幅レーダ
エコー信号による物体の分類に基づく。発射されたレー
ダエコー信号は、分類すべき移動中の物体によって反射
される。ドップラー効果は、発射されたレーダエコー信
号の周波数を偏移させ且つ広げる。周波数偏移は、レー
ダ送信機からの径方向の物体の速度の特徴を表し、スペ
クトルの広がりは、例えば推進機構によって引き起こさ
れる振動や、プロペラ又は駆動シャフトの回転などの物
体内部の運動の特徴を表す。特徴的な物体のスペクトル
の広がりはドップラー信号と呼ばれ、レーダ周波数を適
切に選択すれば、反射されたレーダエコー信号と発射さ
れたレーダエコー信号との間の差として音響信号を生成
する。従って、物体を分類することは、物体を認識し、
所定の一連の物体のクラスの中の特定のクラスに割り当
てることを意味する。分類はニューラルネットワークを
使用して行われる。
【００１１】ニューラルネットワークは、ノード及びノ
ード間のシナプス接続を含む。トレーニングデータを用
いた訓練によって決定される重みはシナプス接続に割り
当てられる。ノードは、入力データの結果として活性化
される。ニューラルネットワークは様々な階層に細分さ
れ、下位層のあらゆるノードはシナプス接続を介して上
位層のあらゆるノードに接続される。このようなトポロ
ジを有するニューラルネットワークは、多層パーセプト
ロンと呼ばれる。ノードへの入力データは、次の下位層
中のノードの活性度にそれぞれのシナプス接続の重みを
かけたものである。その結果、ノードＮnの活性度ｙnは
下記の数式に従う。ここでｆ（）は所定の関数、ｘiは
ｉ番目のノードＮiの活性度、ｗinはｉ番目のノードＮi
とｎ番目のノードＮnとの間のシナプス接続の重みであ
る。入力層と呼ばれる最下位層の入力データは、ドップ
ラー拡幅レーダエコー信号の特徴であり、分類結果は出
力層と呼ばれる最上位層中のノードの活性度から決定さ
れる。物体は最高の活性度を呈する出力ノードを有する
クラスに属する可能性が最も高い。
【００１２】ｙn＝ｆ（Σｗinｘi）／ｉ ニューラルネットワークによる分類は、過去に記憶した
分類結果を使用して将来の分類について結論を導くこと
によって行われる。この目的のために、このネットワー
クは、全てのクラスの異なる物体からのトレーニングデ
ータについて学習する。この場合トレーニングデータ
は、ネットワークがシナプス接続の重みを変化させるこ
とによって全てのトレーニングデータを正確に割り当て
ることを学習するまで、十分頻繁にニューラルネットワ
ークに与えられる。この訓練は、例えばJ. Martinez Ma
drid 等著「A Neural Network Approach to Doppler-Ba
sedTarget Classification」、Universidad Politecnica
de Madrid、Spainの４５０ページから４５３ページに
記載の誤り戻り伝搬アルゴリズムなどのアルゴリズムに
従って行われる。訓練中、ネットワークが全てのトレー
ニングデータを正確なクラスに割り当てることができる
ようになるまで、全ての出力ノードはそれ自体で訓練さ
れる、即ちニューラルネットワークはそれぞれ対応する
クラスに物体が属しているあらゆるクラスからのトレー
ニングデータを用いて訓練される。訓練を介して一度決
定されたシナプス接続の重みは、訓練後に読み取り、こ
のネットワークのトポロジを何回でも再生することがで
きる。従って、全ての個々の装置が訓練を必要とするわ
けではない。
【００１３】もう一つ考えられる訓練は、１９９１年８
月２９日のSchool of Computer Science、Carnegie Mel
lon University、Pittsburgh、PA 15213における、Scot
t I.Fahlman及びChristian Lebiereによる「The Cascad
e-Correlation Learning Architecture」に記載のカス
ケード相関ネットワーク用のアルゴリズムを使用するこ
とである。この方法によれば、ニューラルネットワーク
は訓練中に生成される、即ち訓練によってシナプス接続
の重み及びネットワークのトポロジがともに確立され
る。
【００１４】訓練と、従って使用する全てのトレーニン
グデータとが、シナプス接続の重みを決定する。しか
し、ドップラー拡幅レーダエコー信号は、それらを反射
する物体のみでなく、外部影響要因にも依存する。この
ような外部影響要因は例えば、天気、降水量、霧、大気
湿度、植生及び風によるその移動、地表面の利用状況、
荒れた海などの環境の影響、ならびに 位置、観測角度（仰角及び方位角） 観測時間（平均持続時間） 分類すべき物体までの距離及びその移動パラメータ（方
向、角度、方向及び角度の変化、速度） などの動作の影響である。
【００１５】可能な全ての環境条件からのトレーニング
データ、及び様々な条件を有する様々な影響要因の可能
な全ての組合せを使用してニューラルネットワークを訓
練することは不可能であるので、本発明の基本的な概念
は、ドップラー拡幅レーダエコー信号が決定された時点
で支配的な条件に適応化されるニューラルネットワーク
を、分類のために使用することである。
【００１６】本発明の一つの態様では、ニューラルネッ
トワークの追加入力ノードから入力される制御情報を介
してニューラルネットワークの適応化を実行し、一つ又
は複数の外部影響要因にニューラルネットワークを適応
させる。学習段階中、ニューラルネットワークは、ドッ
プラー拡幅レーダエコー信号の特徴に加えて関連の環境
の影響についての制御情報、即ち所定の影響要因の外部
条件も含むトレーニングデータを用いて訓練される。
【００１７】本発明のもう一つの態様では、複数のニュ
ーラルネットワークのパラメータを含むメモリを有する
装置を提供する。これらの複数のニューラルネットワー
クは、外部条件がそれぞれに異なるトレーニングデータ
を用いて訓練される。分類は、ドップラー拡幅レーダエ
コー信号が受信された時点の支配的な外部条件に最も類
似している外部条件下でのトレーニングデータを用いて
訓練されたニューラルネットワークを使用して行われ
る。パラメータは、例えば、いくつかの学習段階中に様
々な外部条件のトレーニングデータを用いて得られたシ
ナプス接続の重みにすることが可能である。
【００１８】本発明の分類装置ＫＫの第一実施形態を、
図１にブロック図として図示する。これはレーダアンテ
ナＡＮＴに接続された入力を有する特徴抽出装置ＭＥＥ
を含む。レーダアンテナは短レーダパルスを放射し、分
類すべき物体から反射されたレーダエコー信号ＲＳＥを
受信する。特徴抽出装置ＭＥＥは、レーダエコー信号Ｒ
ＳＥから特徴Ｍを引き出し、これらの特徴Ｍをニューラ
ルネットワークＮＥＴの入力ＩＮに与える。ニューラル
ネットワークは、制御装置ＳＩＥの出力に接続された追
加入力ＺＮを有する。制御装置ＳＩＥは、ニューラルネ
ットワークＮＥＴを少なくとも一つの外部影響要因に適
応させる制御情報ＳＩを生成する。
【００１９】第一実施形態は、特徴抽出装置ＭＥＥと制
御装置ＳＩＥとの間の接続ＤＩＳを含み、これにより特
徴抽出装置ＭＥＥは制御装置ＳＩＥに、レーダエコー信
号ＲＥＳが反射された位置からの距離を通知する。特徴
抽出装置は、レーダパルスの移動時間からこの情報を決
定する。この距離は、制御装置ＳＩＥによって第一の制
御情報ＳＩを使用してニューラルネットワークＮＥＴが
適応した第一外部影響要因を表す。
【００２０】第二外部影響要因は、制御装置ＳＩＥに接
続された端末ＴＥＲＭを介してユーザが入力することが
できる。第一実施形態では、ユーザはレーダアンテナＡ
ＮＴの観測角度を入力する。観測角度により、レーダア
ンテナＡＮＴが観測セクタを監視する方位角が決定され
る。例えば、レーダアンテナＡＮＴを高所、山、又は崖
の上に設置して、それよりも低い水平面を監視すること
ができる。この場合、ユーザは水平面より上の相対高さ
（高度）を示さなければならず、次いで制御装置ＳＩＥ
は、相対高さ及び観測セクタからの距離から方位角を計
算することができる。これらの指示から、制御装置ＳＩ
Ｅは第二制御情報を生成し、これをニューラルネットワ
ークＮＥＴの追加入力に送る。
【００２１】ニューラルネットワークＮＥＴの出力は評
価ユニットＡＵＳに接続される。これは、ニューラルネ
ットワークＮＥＴの出力ノードの活性度を評価し、分類
すべき物体を割り当てるクラスを決定し、さらに処理の
ために、例えば出力ユニットＭＯＮにその結果を送る。
第一実施形態では、出力ユニットＭＯＮは分類結果を表
示するモニタである。第一実施形態の分類装置ＫＫは、
例えば交通を監視するために自動車を乗用車（ＰＫＷ）
及びトラック（ＬＫＷ）のクラスに割り当てるように構
成される。この図ではちょうどＬＫＷを認識したところ
である。
【００２２】本発明をさらに発展させると、分類装置Ｋ
ＫはＧＰＳ（衛星航法システム）受信機に一体化され
る。これは衛星による追跡によって分類装置ＫＫの正確
な位置を決定し、高度及び観測角度を確立することがで
きる。この場合、第一実施形態で必要とされた端末ＴＥ
ＲＭを介したユーザによる入力を不要にすることができ
る。このことは、特に携帯用設備の位置が頻繁に変化す
る場合に有利である。
【００２３】本発明のもう一つの有利な構成では、例え
ば風速、大気湿度、霧や降水量などを測定し、それらを
制御装置ＳＩＥに送ることのできる気象ステーションＷ
Ｓが分類装置ＫＫに一体化される。従って分類装置は、
ニューラルネットワークＮＥＴ用の制御情報ＳＩをさら
に生成する。ニューラルネットワークをさらに別の外部
影響要因に適応させることにより、分類装置ＫＫの確実
性及び分類レートは高くなる。
【００２４】分類装置ＫＫがインタフェース装置ＩＮを
含む本発明の構成は特に有利である。このインタフェー
ス装置ＩＮは、外部影響要因、例えば気象条件や荒れた
海などについてのさらに多くの情報を制御装置ＳＩＥに
提供するために使用する。インタフェース装置ＩＮは無
線伝送用の空気インタフェース、又は回線インタフェー
スも含むことが可能であり、例えば海洋気象局や遠隔気
象ステーションなどの遠隔の情報源に接続することがで
きる。
【００２５】インタフェース装置ＩＮは、天気、降水
量、霧、大気湿度、植生（森林）及び風によるそれらの
移動、地表面の利用状況や荒れた海などの環境の影響の
入力に特に適している。このようにして、位置、観測角
度（仰角及び方位角）、観測時間（平均持続時間）、分
類すべき物体までの距離及びその移動パラメータ（方
向、角度、方向及び角度の変化、速度）などの動作の影
響を分類装置ＫＫによって決定することができる。例え
ば平均持続時間は、動作中の装置のタイプから分かり、
物体の速度及び距離は反射されたドップラー拡幅レーダ
エコー信号から決定可能であり、上記のＧＰＳ受信機は
その位置を決定することができる。
【００２６】第一実施形態で使用する距離及び観測角度
の外部影響要因に加えて、さらに別の追加入力ノードを
介してニューラルネットワークをその他の外部影響要因
に適応させることが有利であり、分類装置の使い方によ
って分類結果がより良好になる。
【００２７】図２は、第一実施形態のニューラルネット
ワークＮＥＴを示す図である。この場合、ニューラルネ
ットワークＮＥＴは、ドップラー拡幅レーダエコー信号
の特徴Ｍ用の５７個の入力ノードＩＮ１、…、ＩＮ５７
からなる入力層ＩＬと、３０個のノードからなる中間層
ＨＬと、物体を割り当て得る、ＬＫＷ、ＰＫＷ、及び自
転車のクラス用の三つの出力ノードＯＮ１、ＯＮ２、Ｏ
Ｎ３からなる出力層ＯＬと、入力層ＩＬに属する制御情
報ＳＩ用の二つの追加入力ノードＺＮ１、ＺＮ２とを含
む。下位層のあらゆるノードは、シナプス接続ＳＶを介
して上位層のあらゆるノードに接続される。分類が行わ
れたということは、物体がドップラー拡幅レーダエコー
信号によって認識され、三つのクラスＬＫＷ、ＰＫＷ、
又は自転車の一つに割り当てられたことを意味する。こ
の割当ては、最高の活性度を有する出力ノードクラスに
対して行われる。
【００２８】制御装置ＳＩＥによって生成される制御情
報ＳＩは、二つの追加入力ノードＺＮ１、ＺＮ２に与え
られる。二つの追加入力ノードＺＮ１、ＺＮ２は、シナ
プス接続ＳＶを介して中間層ＨＬの全てのノードの活性
度に影響を与え、その結果間接的に三つの出力ノードＯ
Ｎ１、ＯＮ２、ＯＮ３の活性度にも影響を与える。この
ようにして、これらは実際には出力ノードの活性度によ
って決定される分類結果ＥＲＧを決定する。個々のシナ
プス接続ＳＶの重みは訓練中に決定され、好ましくは訓
練が完了した後で変化させない。動作中に重みを変化可
能にすると、ニューラルネットワークＮＥＴを動作中に
絶えず監視しなければならないことになり、継続するニ
ューラルネットワークＮＥＴの学習プロセスにユーザが
与える不適当な影響により誤った認識パターンを学習す
る危険がある。
【００２９】外部影響要因への良好な適応化を達成する
ために。ニューラルネットワークＮＥＴは様々な外部条
件の試験データを用いて訓練され、この学習段階中に、
ニューラルネットワークＮＥＴにはトレーニングデータ
の制御情報ＳＩも与えられる。しかし、可能な全ての外
部条件及び外部影響要因の組合せからトレーニングデー
タを学習する必要はない。支持点と呼ばれる様々な外部
影響要因のいくつかの選択された値でニューラルネット
ワークＮＥＴを訓練すれば十分である。例えば、大気湿
度の外部影響要因の場合、可能な全ての大気湿度条件か
らのトレーニングデータは必要ではなく、０％、５０
％、及び１００％のトレーニングデータを用いてニュー
ラルネットワークＮＥＴを訓練すれば十分であることを
意味する。中間値の影響は、ニューラルネットワークＮ
ＥＴによって補間することができる。
【００３０】学習すべき様々な外部条件から必要なトレ
ーニングデータを決定することも、又はモデルを使用し
てドップラー拡幅レーダエコー信号への所定の外部影響
要因の影響をシミュレートすることも可能である。これ
は、距離、大気湿度や降水量など、特に信号の減衰に影
響を与える影響の大きさを認識することを容易にする。
従って、本発明の上記の構成に特有の利点は、可能な全
ての外部条件又は組合せからのトレーニングデータでニ
ューラルネットワークを訓練する必要はなく、外部影響
要因の影響をシミュレートすることを可能にするいくつ
かの支持点を学習するだけでよいことである。これはこ
のような支持点間を補間するニューラルネットワークの
能力を利用する。
【００３１】この実施形態では、分類は図３に示す方法
に従って行なわれる。最初にレーダ測定を行う。このた
めに、レーダアンテナＡＮＴは、例えば４ｋＨｚのパル
ス周波数レート、且つ例えば１０ＧＨｚの範囲内の伝送
周波数で短レーダ信号列を放射し、ある一定の（移動）
時間後に、レーダアンテナＡＮＴは反射されたドップラ
ー拡幅レーダエコー信号を受信する。レーダアンテナの
構成により、反射されたレーダ信号を受信することの可
能な角度範囲が確立される。
【００３２】この後に特徴抽出が行なわれる。復調によ
り、受信したドップラー拡幅レーダエコー信号から放射
されたレーダ信号の搬送波を除去する。その結果、放射
されたレーダ信号のパルス周波数に対応するパルス周期
を有するビデオ信号と呼ばれる時間スペクトルが生じ
る。各パルス周期内のビデオ信号は、所定の平均距離を
移動時間の関数として表すいくつかの時間ウィンドウに
分割される。時間ウィンドウの数は距離分解能に対応
し、放射されたレーダ信号のパルス持続時間に依存す
る。
【００３３】各時間ウィンドウごとに値の列が形成さ
れ、これらは連続するパルス周期中に、同じサンプリン
グ時間での平均サンプル値として受信される。この列
は、放射されたレーダ信号のパルス周波数でサンプリン
グされる、ドップラー信号と呼ばれる音響信号を表す。
ドップラー信号の信号の値の数は観測時間に依存し、こ
の実施形態では２５６個である。ドップラー信号の周波
数範囲は、レーダ信号の送信周波数によって決定され、
それらに比例する。周波数範囲は、この実施形態では約
０から２ｋＨｚとなる。レーダアンテナＡＮＴの角度範
囲及びそれぞれの時間ウィンドウの平均距離により、所
定の観測空間が観測セクションに分割され、レーダアン
テナＡＮＴを回転させることによって各観測セクション
からドップラー信号が受信される。
【００３４】ドップラー信号の２５６個の信号の値は、
離散フーリエ変換、例えばＦＦＴ（高速フーリエ変換）
を用いて周波数範囲にマツピングされる。表示は総数２
５６個の係数を介して行われる。変換済みのスペクトル
は対称になるので、半分即ち零点を含む１２９個の係数
のみを考慮すればよい。これらを二乗して対数をとり、
その後逆フーリエ変換により１２８個の係数にマッピン
グされる。このような表示はケプストラム（cepstrum）
と呼ばれ、これらの係数はケプストラル係数と呼ばれ
る。ドップラー信号をケプストラムとして表示すれば、
ニューラルネットワークを使用しながら特に信頼性の高
い分類が可能になるので有利である。
【００３５】次に最初の５７個のケプストラル係数が、
入力データとして５７個の入力ノードＩＮ１、…、ＩＮ
５７からニューラルネットワークに与えられる。信頼性
のある分類には５７個の係数で十分であるので、第一実
施形態のケプストラル係数５８から１２８についてはこ
れ以上考慮しない。ただし、その他の物体、例えば航空
機や船などを認識且つ分類するためには、さらに多数の
ケプストラル係数を考慮することが有利である場合もあ
る。
【００３６】制御装置ＳＩＥによって生成される制御情
報ＳＩもまた、ニューラルネットワークＮＥＴに、即ち
このために設けられた追加入力ノードＺＮ１、ＺＮ２に
与えられる。第一実施形態では、ドップラー拡幅レーダ
エコー信号が反射された位置までの距離についての第一
制御情報は、第一追加入力ノードＺＮ１からニューラル
ネットワークＮＥＴに与えられ、レーダアンテナＡＮＴ
の観測角度についての第二制御情報は第二入力ノードＺ
Ｎ２に与えられる。入力データに反応して、出力ノード
は活性化し、分類すべき物体ＯＢＪを割り当てるクラス
はこれらの活性度によって決定される。この場合、乗用
車（ＰＫＷ）用に訓練された第二出力ノードＯＮ２が最
高の活性度を呈し、物体ＯＢＪはＰＫＷとして認識及び
分類される（分類結果ＥＲＧ）。
【００３７】外部条件に適応化されたニューラルネット
ワークＮＥＴ２も使用する本発明のもう一つの分類装置
ＫＫ２が、図４にブロック図として示す第二実施形態に
含まれる。図１のものと同じエレメントには同じ参照番
号を付す。
【００３８】第二実施形態の分類装置ＫＫ２は、レーダ
アンテナＡＮＴに接続された特徴抽出装置ＭＥＥと、第
一実施形態のニューラルネットワークＮＥＴと同じトポ
ロジを有するニューラルネットワークＮＥＴ２と、モニ
タＭＯＮに接続された評価装置ＡＵＳと、選択装置ＳＥ
Ｌと、メモリＭＥＭとを含む。
【００３９】メモリＭＥＭはいくつかのニューラルネッ
トワークのパラメータを記憶する。これらは四つのニュ
ーラルネットワークに属する四組のパラメータのセット
Ｐ１からＰ４であり、これらは異なる外部条件のトレー
ニングデータを用いて訓練される点で異なる。
【００４０】これらのパラメータのセットは、ニューラ
ルネットワークＮＥＴ２に関する個々のシナプス接続Ｓ
Ｖの重みを含む。これらのパラメータが生成されるの
は、ニューラルネットワークＮＥＴ２が、外部影響要因
の条件が異なる、ドップラー拡幅レーダエコー信号を含
むトレーニングデータの四つのセットを用いて訓練され
ているためである。
【００４１】第二実施形態では、これらは第一実施形態
の場合と同じ影響要因、即ち物体の距離及び観測角度で
ある。トレーニングデータのセットは、以下の外部条件
の可能な組合せを有するトレーニングデータを含む。
【００４２】物体の距離≦１ｋｍ。
【００４３】物体の距離＞１ｋｍ。
【００４４】観測角度が水平面から＋２度から−２度の
間隔にある。
【００４５】観測角度がこの間隔の外側にある。
【００４６】選択装置は、分類動作の時点で支配的な外
部条件を考慮し、これを特徴抽出装置ＭＥＥ（物体の距
離）から、更に接続ＤＩＳを介して端末ＴＥＲＭ（高
度）から受信し、この情報を用いて、最も類似した外部
条件を有するパラメータのセットをメモリＭＥＭから選
択する。選択したパラメータのセットに含まれる個々の
重みは、シナプス接続ＳＶの新たな重みとしてニューラ
ルネットワークＮＥＴ２にロードされる。これら新たな
重みを使用して分類を実行し、その結果をモニタＭＯＮ
に表示する。
【００４７】パラメータのセットＰ１からＰ４の代わり
に、メモリＭＥＭは様々なニューラルネットワークの全
てのトポロジを記憶することもできる。これは、多層パ
ーセプトロンネットワークの代わりに、各実施形態と同
様に、訓練によってのみトポロジが決定される最初に記
載したカスケード相関ネットワークタイプのニューラル
ネットワークを使用して分類する場合には特に必要であ
る。
【００４８】この第二構成はまた、ＧＰＳ受信機又は気
象ステーションを分類装置ＫＫ２に一体化するか、又は
外部条件についての情報を遠隔の情報源から受信するイ
ンタフェース装置を設けることにより、更に発展する。
二つの実施形態に記載した二つの代替の構成を有利に組
み合わせることも可能である。
【００４９】いずれの実施形態でも、ニューラルネット
ワークは三つの層を含み、それぞれの場合で、隠された
層は入力層と出力層の間に配置される。二つ以上の隠さ
れた層を使用することを構想することもできる。ただし
その場合、個々の層のノードの活性度を計算するために
必要な計算労力は増加することになるが、隠された層が
複数あるトポロジを用いてもそれほど向上した分類結果
が得られるわけではない。従って、三層ニューラルネッ
トワークの使用が好ましい。
【００５０】本発明の装置では、ニューラルネットワー
クは並列動作する相互接続マイクロプロセッサから構成
することができる。可能な代替形態としては、ネットワ
ークの個々のノードを順次動作させるただ一つのマイク
ロプロセッサを有する構成がある。この場合、ニューラ
ルネットワークはメモリに記憶したプログラムモジュー
ルと共に開発される。
【図面の簡単な説明】
【図１】本発明による装置を示すブロック図である。
【図２】ニューラルネットワークを示す概略図である。
【図３】本発明による方法を示すフローフャートであ
る。
【図４】さらに別の装置のブロック図である。
【符号の説明】
ＩＬ 入力層 ＩＮ１、…、ＩＮ５７ 入力ノード Ｍ 特徴 ＭＥＭ メモリ ＮＥＴ、ＮＥＴ２ ニューラルネットワーク ＯＬ 出力層 ＯＮ１、ＯＮ２、ＯＮ３ 出力ノード Ｐ１、…、Ｐ４ パラメータ ＳＥＬ 選択装置 ＳＩ 制御情報 ＺＮ１、ＺＮ２ アクセス可能な入力ノード
───────────────────────────────────────────────────── フロントページの続き (72)発明者 ハンス・ユルゲン・マツト ドイツ国、71686・レンゼツク、シユーマ ンシユトラーセ・６ (72)発明者 デイーテル・バオムス ドイツ国、35396・ギーセン、メンツエル シユトラーセ・８ (72)発明者 ゲブハルト・テイーレル ドイツ国、71254・デイツインゲン、ブレ スラオアー・シユトラーセ・１

Claims (12)

    【特許請求の範囲】
  1. 【請求項１】 ドップラー拡幅レーダエコー信号の特徴
    （Ｍ）についての入力ノード（ＩＮ１、…、ＩＮ５７）
    からなる入力層（ＩＬ）、及び物体を割り当て得る所定
    のクラスについての出力ノード（ＯＮ１、ＯＮ２、ＯＮ
    ３）からなる出力層（ＯＬ）を有するニューラルネット
    ワーク（ＮＥＴ）を含む、ドップラー拡幅レーダエコー
    信号によって物体を自動的に分類する装置であって、 ニューラルネットワーク（ＮＥＴ）が、制御情報（Ｓ
    Ｉ）を入力可能であり、ニューラルネットワーク（ＮＥ
    Ｔ）を一つ又は複数の外部影響要因に適応させる、少な
    くとも一つの追加入力ノード（ＺＮ１、ＺＮ２）を有す
    ることを特徴とする装置。
  2. 【請求項２】 ドップラー拡幅レーダエコー信号を受信
    するレーダ受信機の位置及び／又は観測角度についての
    情報を、ニューラルネットワーク（ＮＥＴ）の追加入力
    ノード（ＺＮ１、ＺＮ２）に入力することが可能であ
    る、請求項１に記載の装置。
  3. 【請求項３】 ドップラー拡幅レーダエコー信号を受信
    した時点の気象条件についての情報を、ニューラルネッ
    トワークの追加入力ノード（ＺＮ１、ＺＮ２）に入力す
    ることが可能である、請求項１に記載の装置。
  4. 【請求項４】 ドップラー拡幅レーダエコー信号を受信
    するレーダ受信機から分類すべき物体までの距離につい
    ての情報を、ニューラルネットワーク（ＮＥＴ）の追加
    入力ノード（ＺＮ１、ＺＮ２）に入力することが可能で
    ある、請求項１に記載の装置。
  5. 【請求項５】 ニューラルネットワーク（ＮＥＴ）が学
    習段階中にいくつかのトレーニングデータを用いて訓練
    され、このトレーニングデータが、ドップラー拡幅レー
    ダエコー信号の特徴（Ｍ）に加えて適切な環境影響につ
    いての追加制御情報（ＳＩ）も含む、請求項１に記載の
    装置。
  6. 【請求項６】 外部影響についての情報を空間的に隔て
    られた情報源から受信するインタフェース装置（ＩＮ）
    を有する、請求項１に記載の装置。
  7. 【請求項７】 ユーザが外部影響要因についての情報を
    入力することを可能にする入力装置（ＴＥＲＭ）を有す
    る、請求項１に記載の装置。
  8. 【請求項８】 ドップラー拡幅レーダエコー信号を受信
    するレーダ受信機の位置及び／又は観測角度についての
    情報を得るためのＧＰＳ（衛星航法システム）受信機を
    有する、請求項２に記載の装置。
  9. 【請求項９】 ドップラー拡幅レーダエコー信号を受信
    した時点での気象についての情報を得るための気象ステ
    ーションを有する、請求項３に記載の装置。
  10. 【請求項１０】 ドップラー拡幅レーダエコー信号の特
    徴（Ｍ）についての入力ノード（ＩＮ１、…、ＩＮ５
    ７）からなる入力層（ＩＬ）、及び物体を割り当て得る
    所定のクラスについての出力ノード（ＯＮ１、ＯＮ２、
    ＯＮ３）からなる出力層（ＯＬ）を有するニューラルネ
    ットワーク（ＮＥＴ）を含む、ドップラー拡幅レーダエ
    コー信号によって物体を自動的に分類する装置であっ
    て、 外部影響要因の条件がそれぞれに異なるトレーニングデ
    ータを用いて訓練された、いくつかのニューラルネット
    ワークのパラメータを記憶するメモリ（ＭＥＭ）、及び
    ドップラー拡幅レーダエコー信号を受信した時点で支配
    的な外部条件に外部影響要因の条件が最も類似している
    トレーニングデータを用いて訓練されたニューラルネッ
    トワークのパラメータを外部影響要因の関数として選択
    する選択装置（ＳＥＬ）によって特徴づけられる装置。
  11. 【請求項１１】 分類のために物体を割り当て得る所定
    のクラスについての出力ノード（ＯＮ１、ＯＮ２、ＯＮ
    ３）を有するニューラルネットワーク（ＮＥＴ）を使用
    し、 特徴（Ｍ）がドップラー拡幅レーダエコー信号から決定
    されてニューラルネットワーク（ＮＥＴ）の入力層（Ｉ
    Ｌ）の入力ノード（ＩＮ１、…、ＩＮ５７）に与えら
    れ、 ニューラルネットワーク（ＮＥＴ）に与えられた特徴
    （Ｍ）への応答として、出力ノード（ＯＮ１、ＯＮ２、
    ＯＮ３）が活性化され、分類すべき物体を割り当てるク
    ラスを決定する、 ドップラー拡幅レーダエコー信号によって物体を自動的
    に分類する方法であって、 少なくとも一つの外部影響要因からニューラルネットワ
    ーク（ＮＥＴ）の少なくとも一つの追加入力ノード（Ｚ
    Ｎ１、ＺＮ２）に入力される制御情報（ＳＩ）を決定す
    ることにより、少なくとも一つの外部影響要因へのニュ
    ーラルネットワーク（ＮＥＴ）の適応化を実行すること
    を特徴とする方法。
  12. 【請求項１２】 分類するために物体を割り当て得る所
    定のクラスについての出力ノード（ＯＮ１、ＯＮ２、Ｏ
    Ｎ３）を有するニューラルネットワーク（ＮＥＴ２）を
    使用し、 特徴（Ｍ）がドップラー拡幅レーダエコー信号から決定
    されてニューラルネットワーク（ＮＥＴ２）の入力層
    （ＩＬ）の入力ノード（ＩＮ１、…、ＩＮ５７）に与え
    られ、 ニューラルネットワーク（ＮＥＴ２）に与えられた特徴
    （Ｍ）への応答として、出力ノード（ＯＮ１、ＯＮ２、
    ＯＮ３）が活性化され、分類すべき物体を割り当てるク
    ラスを決定する、 ドップラー拡幅レーダエコー信号によって物体を自動的
    に分類する方法であって、 外部影響要因の条件がそれぞれに異なるトレーニングデ
    ータを用いて訓練されたいくつかのニューラルネットワ
    ークのパラメータ（Ｐ１、…、Ｐ４）を含むメモリ（Ｍ
    ＥＭ）から、ドップラー拡幅レーダエコー信号を受信し
    た時点で支配的な外部条件に最も類似したパラメータ
    を、外部影響要因の条件下でトレーニングデータを用い
    て訓練されたニューラルネットワークから選択すること
    によって、少なくとも一つの外部影響要因へのニューラ
    ルネットワーク（ＮＥＴ）の適応化を実行することを特
    徴とする方法。
JP10037082A 1997-02-20 1998-02-19 環境に適応して物体を分類する装置及び方法 Pending JPH10239429A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19706576A DE19706576A1 (de) 1997-02-20 1997-02-20 Vorrichtung und Verfahren zur umgebungsadaptiven Klassifikation von Objekten
DE19706576.7 1997-02-20

Publications (1)

Publication Number Publication Date
JPH10239429A true JPH10239429A (ja) 1998-09-11

Family

ID=7820837

Family Applications (1)

Application Number Title Priority Date Filing Date
JP10037082A Pending JPH10239429A (ja) 1997-02-20 1998-02-19 環境に適応して物体を分類する装置及び方法

Country Status (4)

Country Link
US (1) US5949367A (ja)
EP (1) EP0860712A3 (ja)
JP (1) JPH10239429A (ja)
DE (1) DE19706576A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003507716A (ja) * 1999-08-12 2003-02-25 オートモーティブ システムズ ラボラトリー インコーポレーテッド ニューラルネットワークレーダプロセッサ
JP2017215272A (ja) * 2016-06-02 2017-12-07 沖電気工業株式会社 情報処理装置、情報処理方法、及びプログラム
JP2019086464A (ja) * 2017-11-09 2019-06-06 株式会社東芝 レーダ装置及びそのレーダ信号処理方法
JP2020537140A (ja) * 2017-10-10 2020-12-17 ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ 逆センサモデルを生成する方法および装置、ならびに障害物を検出するための方法
US11208087B2 (en) 2016-09-07 2021-12-28 Robert Bosch Gmbh Control device and method for increasing at least a brake pressure in at least one wheel-brake cylinder of a brake system of a vehicle
JP2022502663A (ja) * 2018-10-02 2022-01-11 フォルテム テクノロジーズ，インコーポレイテッド ドローンおよび物体の分類のためのシステムおよび方法

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6188349B1 (en) * 1978-02-16 2001-02-13 Raytheon Company Frequency adjusting arrangement
US6307500B1 (en) * 1999-08-13 2001-10-23 University Corporation For Atmospheric Research Method of moment estimation and feature extraction for devices which measure spectra as a function of range or time
US20050259865A1 (en) * 2002-11-15 2005-11-24 Koninklijke Philips Electronics N.V. Object classification via time-varying information inherent in imagery
DE102005003024B4 (de) * 2005-01-22 2010-04-15 Eads Deutschland Gmbh Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar
JP2006208323A (ja) * 2005-01-31 2006-08-10 Toshiba Corp 分散型のレーダ情報処理システム
US7821870B2 (en) * 2005-08-19 2010-10-26 Mitsubishi Electric Research Laboratories Inc. Method and system for identifying moving objects using acoustic signals
US8026840B2 (en) * 2005-10-28 2011-09-27 Raytheon Company Biometric radar system and method for identifying persons and positional states of persons
WO2007133085A1 (en) * 2006-05-15 2007-11-22 Telefonaktiebolaget Lm Ericsson (Publ) A method and system for automatic classification of objects
US8825350B1 (en) * 2011-11-22 2014-09-02 Kurt B. Robinson Systems and methods involving features of adaptive and/or autonomous traffic control
US9336302B1 (en) 2012-07-20 2016-05-10 Zuci Realty Llc Insight and algorithmic clustering for automated synthesis
DE102014206927A1 (de) * 2014-04-10 2015-10-15 Robert Bosch Gmbh Verfahren zum Ermitteln einer Zeitmultiplexsequenz für ein MIMO Radar
CN106198868A (zh) * 2016-07-05 2016-12-07 深圳大学 基于无线感知的湿度检测的方法及系统
US11205103B2 (en) 2016-12-09 2021-12-21 The Research Foundation for the State University Semisupervised autoencoder for sentiment analysis
EP3367121B1 (en) * 2017-02-23 2020-04-08 Veoneer Sweden AB Inverted synthetic aperture radar for a vehicle radar system
US10599978B2 (en) * 2017-11-03 2020-03-24 International Business Machines Corporation Weighted cascading convolutional neural networks
US11050162B2 (en) * 2017-12-02 2021-06-29 Metawave Corporation Method and apparatus for object detection with integrated environmental information
US11151169B2 (en) * 2018-10-31 2021-10-19 The United States Of America As Represented By The Secretary Of The Navy System and method for motion abstraction, activity identification, and vehicle classification
DE102018222800A1 (de) 2018-12-21 2020-06-25 Robert Bosch Gmbh Ortung und/oder Klassifikation von Objekten aus Radardaten mit verbesserter Verlässlichkeit bei unterschiedlichen Entfernungen
US11313950B2 (en) * 2019-01-15 2022-04-26 Image Sensing Systems, Inc. Machine learning based highway radar vehicle classification across multiple lanes and speeds
US11009591B2 (en) * 2019-02-01 2021-05-18 GM Global Technology Operations LLC Deep learning for de-aliasing and configuring a radar system
US11282397B2 (en) 2019-03-28 2022-03-22 Fortem Technologies, Inc. System and method for fusing asynchronous sensor tracks in a track fusion application
US12266269B2 (en) 2019-03-28 2025-04-01 Fortem Technologies, Inc. System and method for fusing asynchronous sensor tracks in a track fusion application
CN114236531A (zh) * 2021-11-16 2022-03-25 中国航空工业集团公司雷华电子技术研究所 一种雷达高压线识别的知识神经网络模型及其方法
US12265150B2 (en) * 2022-01-25 2025-04-01 Intel Corporation Apparatus, system and method of radar tracking

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4897811A (en) * 1988-01-19 1990-01-30 Nestor, Inc. N-dimensional coulomb neural network which provides for cumulative learning of internal representations
US4874963A (en) * 1988-02-11 1989-10-17 Bell Communications Research, Inc. Neuromorphic learning networks
US5003490A (en) * 1988-10-07 1991-03-26 Hughes Aircraft Company Neural network signal processor
WO1991002323A1 (en) * 1989-08-11 1991-02-21 Hughes Aircraft Company Adaptive network for classifying time-varying data
DE4100500A1 (de) * 1991-01-10 1992-07-16 Bodenseewerk Geraetetech Signalverarbeitungsanordnung zur klassifizierung von objekten aufgrund der signale von sensoren
US5467428A (en) * 1991-06-06 1995-11-14 Ulug; Mehmet E. Artificial neural network method and architecture adaptive signal filtering
US5247303A (en) * 1992-07-20 1993-09-21 University Corporation For Atmospheric Research Data quality and ambiguity resolution in a doppler radar system
JP4142098B2 (ja) * 1995-04-27 2008-08-27 ノースロップ グラマン コーポレーション 適応フィルタ型ニューラルネットワーク分類器
DE19518993A1 (de) * 1995-05-29 1996-12-05 Sel Alcatel Ag Vorrichtung und Verfahren zur automatischen Detektion oder Klassifikation von Objekten
US5729662A (en) * 1995-06-07 1998-03-17 Rozmus; J. Michael Neural network for classification of patterns with improved method and apparatus for ordering vectors

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003507716A (ja) * 1999-08-12 2003-02-25 オートモーティブ システムズ ラボラトリー インコーポレーテッド ニューラルネットワークレーダプロセッサ
JP2017215272A (ja) * 2016-06-02 2017-12-07 沖電気工業株式会社 情報処理装置、情報処理方法、及びプログラム
US11208087B2 (en) 2016-09-07 2021-12-28 Robert Bosch Gmbh Control device and method for increasing at least a brake pressure in at least one wheel-brake cylinder of a brake system of a vehicle
JP2020537140A (ja) * 2017-10-10 2020-12-17 ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ 逆センサモデルを生成する方法および装置、ならびに障害物を検出するための方法
JP2019086464A (ja) * 2017-11-09 2019-06-06 株式会社東芝 レーダ装置及びそのレーダ信号処理方法
JP2022502663A (ja) * 2018-10-02 2022-01-11 フォルテム テクノロジーズ，インコーポレイテッド ドローンおよび物体の分類のためのシステムおよび方法

Also Published As

Publication number Publication date
US5949367A (en) 1999-09-07
DE19706576A1 (de) 1998-08-27
EP0860712A3 (de) 1999-06-16
EP0860712A2 (de) 1998-08-26

Similar Documents

Publication Publication Date Title
US5949367A (en) Device and method for classifying objects in an environmentally adaptive manner
US5381151A (en) Signal processing for ultra-wideband impulse radar
KR102275960B1 (ko) 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법
Groves et al. Context detection, categorization and connectivity for advanced adaptive integrated navigation
Testolin et al. Detecting submerged objects using active acoustics and deep neural networks: A test case for pelagic fish
US12461538B2 (en) Small unmanned aerial systems detection and classification using multi-modal deep neural networks
JPH06506537A (ja) マイクロ波レーダを使用するマイクロバースト前兆検出方法及び装置
US11448744B2 (en) Sequential doppler focusing
EP3926364A1 (en) Ship target object detection system, method of detecting ship target object and reliability estimating device
KR20220109951A (ko) 인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치
Wolek et al. Tracking multiple surface vessels with an autonomous underwater vehicle: Field results
JPH10239428A (ja) 物体の自動分類方法および自動分類装置
CN111239727A (zh) 一种乘客计数方法及通信设备
CN119768714A (zh) 使用域自适应进行位置估计的方法和系统
JPH08509061A (ja) 飛行中ドップラー気象レーダーウィンドシャー検出システム
Baralli et al. GPU-based real-time synthetic aperture sonar processing on-board autonomous underwater vehicles
Gini Knowledge-based systems for adaptive radar [Guest editorial]
Tang et al. SAR deception jamming target recognition based on the shadow feature
KR102279563B1 (ko) 레이더 신호 처리 장치 및 레이더 신호 처리 방법
KR102269732B1 (ko) 레이다 시스템의 객체 탐지 방법 및 장치
CN115586506B (zh) 一种抗干扰目标分类方法及装置
CN114791592B (zh) 一种合成孔径雷达对抗模拟方法、装置、电子设备及介质
Hendy et al. Detection of radio frequency interference in raw sar data using u-net segmentation
Azad Deep learning based drone localization and payload detection using vision data
Tasciotti et al. Dynamics-based realistic simulator for rotation rate estimation of quadcopter drones with multistatic radar