Enhanced Radar False Alarm Mitigation in Low-RCS Target Detection Using Time-Varying Trajectories on Range–Doppler Diagrams With DCNN
Notice bibliographique
Résumé
We propose detecting low-radar cross section (RCS) targets using the time-varying characteristics in the range-Doppler diagram with 3-D deep convolutional neural networks (3D-DCNNs), which significantly suppresses false alarms (FAs). When low-RCS targets are in cluttered environments, it is not easy to detect them because of the tradeoff between the probability of detection (PD) and FA rate depending on the detection threshold. In this article, we employ a 3D-DCNN to observe the trajectory of an object over a certain time and determine whether the detected object is a target or not. We use a constant FA rate (CFAR) to detect low-RCS targets using low thresholds in highly cluttered environments. This approach results in the detection of a significant amount of unwanted clutter and noise. The proposed algorithm effectively suppresses the FA rate and enhances overall detection accuracy. A comparison of the performance through simulation revealed that the probability of FA ($P_{\text {fa}}$) from$3 \times 10^{-3}$with CFAR and density-based spatial clustering of applications with noise (DBSCAN) was reduced to$1\text {.}2 \times 10^{-5}$with the proposed algorithm. For validation, we measured a drone, an example of a low-RCS target, at 10 m using a 77-GHz frequency-modulated continuous-wave (FMCW) radar manufactured by TI.$P_{\text {fa}}$was$3 \times 10^{-3}$when the CFAR and DBSCAN were applied with one and two drones, respectively. However, the proposed algorithm reduced this to$9\text {.}3 \times 10^{-6}$and$2\text {.}1 \times 10^{-5}$, respectively. In addition, a drone was measured and verified using FMCW radar manufactured by TORIS at 7 km. The proposed algorithm reduces$P_{\text {fa}}$from$2\text {.}5 \times 10^{-4}$to$7\text {.}4 \times 10^{-7}$.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».