May, 2023

一种基于 Vision Transformer 的高效近场不规则 SAR 超分辨率方法

PDF
TL;DR本文介绍了一种移动友好的视觉变换（ViT）算法，称为 Mobile-SRViT，用于在不规则采样几何下处理合成孔径雷达（SAR）图像。该算法采用 ViT 方法进行 SAR 图像超分辨率 (SR) 处理，并在模拟和经验研究中进行验证。
super-resolution algorithmnear-field synthetic-aperture radarposition estimation errormobile-friend vision transformersar image enhancement
发现论文，激发创造
  • 针对不规则扫描几何形状的高效三维近场 MIMO-SAR 成像

    提出了一种新颖的算法，用于有效地处理不规则扫描几何的近场合成孔径雷达 (SAR) 成像，并利用非协作 SAR 扫描模式，小型 MIMO 雷达和高效单靶平面图像重建算法实现了高分辨率和高效率的近场 MIMO-SAR 成像。

    May, 2023

  • 基于 CNN 的高效毫米波移动雷达成像超分辨率算法

    本文提出了一种卷积神经网络方法，以提高移动设备中在近场条件下智能手机合成孔径雷达成像的超分辨率，具有高效率、高分辨率的雷达成像能力。

    May, 2023

  • 近场 MIMO-ISAR 毫米波成像

    本文介绍和发展了近场 MIMO-ISAR mmWave 成像系统，并提出了一种多静态单静态相位补偿的算法以实现高效的 MIMO 3-D 全息成像，并通过对原型 MIMO R-ISAR 平台的实际成像场景演示了算法的性能。

    May, 2023

  • SRViT：基于视觉 Transformer 的规模化卫星观测雷达回波反射率估计

    我们引入了一种基于 Transformer 的神经网络，从地球同步卫星影像生成高分辨率（3km）的合成雷达反射率场，旨在提高高影响天气事件的短期对流尺度预报能力，并在美国数值天气预报的数据同化中提供帮助。与卷积方法相比，我们的结果显示出对各种复合反射率阈值的改善锐度和更高准确性。通过额外的特定大气现象案例研究支持我们的定量研究结果，同时引入了一种新颖的归因方法来指导领域专家理解模型的输出。

    Jun, 2024

  • 非可见光数据综合应用研究：合成孔径雷达成像案例研究

    通过研究大规模预训练图像生成模型在非可见光领域的应用，特别以合成孔径雷达（SAR）数据为案例研究，提出了一种 2 阶段低秩自适应方法（2LoRA）和改良版本原型 LoRA（pLoRA），以生成 SAR 数据并在 SAR 分类和分割模型的训练过程中取得显著的改进效果。

    Nov, 2023

  • VTR：一种面向 FPGA 的优化视觉 Transformer 用于 SAR ATR 加速

    开发了一种轻量级视觉 Transformer（ViT）模型，利用 Shifted Patch Tokenization（SPT）和 Locality Self-Attention（LSA）模块，该模型可以直接在训练数据有限的合成孔径雷达（SAR）数据集上进行训练，以评估其在 SAR 自动目标识别（ATR）应用中的有效性，并进一步提出了一种用于实时 SAR ATR 应用的新型 FPGA 加速器（VTR）。

    Apr, 2024

  • IFNet: 毫米波信号的手持合成孔径雷达深层成像与聚焦

    IFNet 是一种结合了信号处理模型和深度神经网络的新型展开网络，用于实现手持毫米波系统的稳健成像和对焦，能够有效补偿手持相位误差并从严重失真的信号中恢复高保真度图像。

    May, 2024

  • 重新定义汽车雷达成像：基于领域知识的 1D 深度学习方法用于高分辨率和高效性能

    我们的研究将毫米波雷达成像超分辨率重新定义为一维信号超分辨率光谱估计问题，通过利用雷达信号处理领域知识，引入创新的数据归一化和基于信噪比的损失函数，实现了适用于汽车雷达成像的定制深度学习网络，表现出了可观的可扩展性、参数效率和快速推理速度，以及在雷达成像质量和分辨率方面的提升性能。广泛的测试证实，我们的 SR-SPECNet 在产生高分辨率的雷达距离 - 方位图像方面，超过了现有方法，在不同天线配置和数据集大小方面都表现出色。源代码和新的雷达数据集将在网上公开提供。

    Jun, 2024

  • 对称视觉注意力网络实现高效图像超分辨率

    通过应用大感受野，我们提出了一种称为 Symmetric Visual Attention Network (SVAN) 的方法来改进高效超分辨率重建，减少了算法参数的数量并提高了模型的感知能力。实验结果表明，我们的方法只使用了现有 SOTA 方法约 30% 的参数，却能获得高质量的超分辨率重建结果。

    Jan, 2024

  • 使用稀疏阵列的超分辨率雷达成像技术，利用深度神经网络以升级虚拟数据进行训练

    该论文介绍了一种基于深度神经网络的雷达数据处理方法，能够提供无混淆的雷达成像和超高分辨率，使用真实模拟数据进行了验证，证明了该方法性能优于现有的子空间算法和机器学习方案，为雷达信号处理提供了很有前途的解决方案。

    Jun, 2023