Synthetic aperture radar imaging with deep neural networks
Derin sinir ağları ile sentetik açıklıklı radar görüntüleme
- Tez No: 658431
- Danışmanlar: PROF. DR. MÜJDAT ÇETİN, PROF. DR. SELİM BALCISOY
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 193
Özet
Sentetik açıklıklı radar (SAR), 1960'lardan beri kullanımda olan bir uzaktan görüntüleme yaklaşımıdır. Geleneksel SAR görüntü oluşturma yöntemi, görüntülenecek sahnenin yansıtma alanının 2B Fourier dönüşümü tabanlıdır. Bu geleneksel görüntü oluşturma yöntemi, temiz ve tam veri toplama senaryosu için geliştirilmiştir. Ancak, gerçekte toplanan veri, donanım kısıtları ve veri toplama geometrisindeki belirsizliklerden ötürü, altta yatan sahnenin ancak indirgenmiş bir temsilidir ve bunlar veri azaltımı ve faz hatalarına sebep olmaktadır. Bundan dolayı, bu kısıtları denkleştirme adına yıllar içinde düzenlileştirme kullanan birçok SAR görüntü oluşturma çerçeveleri önerilmiştir. Bu tezde, SAR görüntüleme problemine odaklanılmıştır ve görüntü oluşturma, faz hatası düzeltimi ve özdevimli hedef tanılama (ATR) için üç çerçeve geliştirilmiştir. İlk çerçeve, SAR görüntüleme problemi odaklıdır. Bu çerçevede SAR görüntüleme, düzenlileştirmeli bir eniyileme problemi olarak kurgulanmıştır ve tak-çalıştır (PnP) önseller çerçevesi kullanılarak, derin öğrenme tabanlı önseller kurgulamaya dahil edilmiştir. İkinci çerçeve, önerilen ilk çerçevenin görüntü oluşturmanın yanında faz hatalarını da gidermeyi amaçlayan bir uzantısıdır. Deneysel sonuçlar, önerilen iki çerçevenin görüntü oluşturma ve faz hatası gidermede, düşünülen betiklerin çoğunluğunda en iyi başarımları elde ettiğini göstermektedir. Önerilen üçüncü çerçeve ATR problemine odaklanmaktadır ve bu çerçevede ATR görevini görüntü uzayı yerine veri uzayında gerçekleştiren iki ATR yaklaşımı sunulmuştur. Deneysel sonuçlarla, ATR görevinin veri uzayında da başarılı bir şekilde gerçekleştirilebileceği gösterilmiş ve bu çerçevenin daha fazla geliştirilmesiyle, en iyi başarımlara ulaşılabilmesinin mümkün olduğu vurgulanmıştır. Sonuç olarak bu tezdeki çalışmalar, farklı SAR görüntüleme görevlerinde, derin öğrenme teknikleri kullanılarak sonuçların önemli ölçüde iyileştirilebileceğini göstermektedir.
Özet (Çeviri)
Synthetic aperture radar (SAR) is a remote sensing imaging modality that has been in use since the 1960s. Conventional image formation in SAR is based on 2D inverse Fourier transform of the reflectivity field of the scene to be imaged. This conventional image formation technique is developed for a clean and complete data collection scenario. However, in reality, the collected data are only a reduced representation of the underlying scene due to hardware limitations and uncertainties in the data collection geometry, and hence suffer from reduction and phase errors. Therefore, many SAR image formation frameworks using regularization have been proposed over the years, in order to account for these limitations. In this dissertation, we have focused on the SAR imaging problem, particularly image formation, phase error correction, and automatic target recognition (ATR), and developed three frameworks. The first framework tackles the SAR image formation problem. In this framework, SAR image formation is formulated as a regularized optimization problem, and using the plug-and-play (PnP) priors framework, we have incorporated deep learning-based priors into our formulation. Our second framework is an extension of the first one, which aims at joint image formation and phase error correction. Experimental results show the effectiveness of these two frameworks and our proposed methods exceed the state-of-the-art image formation and phase error correction performances in the majority of the scenarios considered. The third proposed framework focuses on the ATR problem, and within this framework two ATR approaches are presented which perform the ATR task in the data domain rather than image domain. We have experimentally shown that the ATR task can be successfully performed in the data domain, and with further development, it might be possible to reach state-of-the-art performance. Overall, we have shown that the performance in various SAR imaging tasks can be improved significantly using deep learning tools.
Benzer Tezler
- Derin öğrenme ile süper çözünürlüklü radar görüntüleme
Super resolution radar imaging with deep learning
İREM FADİME ERİM
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik-Haberleşme Eğitimi Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Benek gürültüsü gidermeye dayalı veri artırma ile derin ağlarda radar hedef sınıflandırma
Despeckling based data augmentation approach in deep learning based radar target classification
ŞAKİR HÜDAİ MERT CEYLAN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Derin öğrenme yöntemi ile optik uydu görüntülerinden gemi tespiti
Ship detection by optical satellite images with deep learning method
OSMAN DUMAN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. MESUT KARTAL
- Deep image prior based high resolution isar imaging for missing data case
Eksik veri için derin görüntü önceli tabanlı yüksek çözünürlüklü tyar görüntüleme
NECMETTİN BAYAR
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Makine öğrenme tabanlı ters yapay açıklıklı radar tekniği ile karmaşık hedeflerin görüntülenmesi
Imaging of complex targets by machine learning based inverse synthetic aperture radar technique
GÜLCE EKEN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZLEM ÖZGÜN