基于 CNN 的高效毫米波移动雷达成像超分辨率算法
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。
May, 2023
本文提出了一种基于生成对抗网络和级联卷积神经网络的新方法,用于从合成孔径雷达图像生成高质量的可见光图像,实验表明该方法在去斑和图像上色方面比目前的深度学习方法表现更好。
Feb, 2018
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
提出一种深度学习方法 kR-Net,使用混合的双域复值卷积神经网络 (CV-CNN) 融合多频段信号,以实现对复杂目标的高分辨率成像,从而在安全筛查和工业成像领域中具有广阔应用前景。
May, 2023
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
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
本文提出一种使用 CNN 训练的方法,通过低分辨率的多光谱和高分辨率的全色图像瓦片对来创建超分辨率分析图像,其中 RedNet30 架构表现最佳。
Feb, 2020
本文提出了一个基于伪孪生卷积神经网络的多源图像对应关系识别方法,通过深度学习和数据融合技术,在保证高精度的同时实现了快速准确的卫星图像匹配。
Jan, 2018
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
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