1-Bit Radar Imaging Based on Adversarial Samples
Notice bibliographique
Résumé
Radar imaging with 1-bit data is attractive thanks to its low storage and transmission burden. Existing 1-bit radar imaging methods cannot satisfactorily suppress the artifacts in the imaging result induced by 1-bit quantization error and noise. In this article, we propose a new 1-bit compressive sensing (CS) based algorithm, i.e., the adversarial-sample-based binary iterative hard thresholding (AS-BIHT) algorithm, to improve the 1-bit radar imaging performance. First, we formulate a parametric model for 1-bit radar imaging with a new adjustable quantization level parameter. The parametric 1-bit radar imaging model updates the imaging scene and the quantization level parameter in an iterative fashion based on adversarial samples. Then, we design a mechanism to generate adversarial samples by attacking the 1-bit radar imaging model to resist the quantization consistency condition, such that forcing quantization consistent reconstruction on adversarial samples mitigates the quantization error and noise. The quantization level parameter is then tuned based on the adversarial samples. In this way, the ability of the model to adapt to echo data contaminated by noise and quantization error is enhanced, and the artifacts are well suppressed. Simulation and experimental results on real radar data demonstrate the effectiveness of the proposed AS-BIHT algorithm in 1-bit radar imaging.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».