Geri Dön

Object classification on noise reduced and data augmented micro-doppler radar spectrograms

Gürültüsü azaltılmış ve veri seti arttırılmış micro-doppler radar spektrogramları ile nesne sınıflandırılması

  1. Tez No: 687006
  2. Yazar: ALPEREN ERDOĞAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SELDA GÜNEY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Başkent Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 141

Özet

Nesnelerin sınıflandırılması, radar sinyal işlemedeki en zorlu görevlerden biridir. Bir hedefi sınıflandırmak, radar operatörlerinin, nesnenin kaynağı ve etkinliği gibi hedefin doğasını anlamalarına yardımcı olabilir. Ancak radar nesne sınıflandırma modelleri geliştirmek için gerekli olan etiketli verileri bulmak çok zordur. Bir radar veri seti oluşturmak pahalı ve zaman alıcı bir süreçtir. Bu sorunları ele almak için mikro-Doppler radar veri setlerine uygulanabilecek bir gürültü azaltma yöntemi bu tez kapsamında önerilmiştir. Bu yöntem, RadEch micro-Doppler radar veri setlerindeki her sınıfın spektrogramlarının ortalaması alınarak ve bu ortalama spektrogramın, sınıflarda bulunan her örnekten piksel piksel çıkarılması ile gerçekleştirilir. RadEch veri kümesi ayrıca geleneksel ve öğrenme tabanlı veri geliştirme yöntemleriyle de zenginleştirilmiştir. Öğrenmeye dayalı veri artırma yöntemi, Çekişmeli Üretici Ağlar kullanılarak gerçekleştirilmiştir. Ham spektrogramlar, geliştirilmiş spektrogramlar ve gürültüsü azaltılmış spektrogramlar beş katmanlı evrişimsel sinir ağı, VGG-16 ve VGG-19 kullanılarak sınıflandırılmıştır. Sınıflandırma sonuçları, literatürde yapılmış alan son çalışmalarla karşılaştırılmıştır. Karşılaştırma sonuçları, gürültüsü azaltılmış spektrogramlar üzerinde yapılan sınıflandırma başarısının, mevcut en son yöntemlerden daha iyi bir performansa sahip olduğunu göstermiştir.

Özet (Çeviri)

The classification of targets is one of the most challenging tasks in radar signal processing. Classifying a target can help radar operators figure out the nature of the target, such as its source and activity. However, it is very difficult to find the labeled data necessary to develop radar target classification models. Generating a radar dataset is an expensive and time-consuming process. To address these issues, we propose a noise reduction method that can be applied to micro-Doppler radar datasets. This method is carried out by averaging the spectrograms of each class in the RadEch micro-Doppler radar datasets and subtracting pixel by pixel from each sample. RadEch dataset has also been augmented with traditional and learning-based data augmentation methods. The learning-based data augmentation method was carried out by using Generative Adversarial Networks. Raw spectrograms, augmented spectrograms and noise reduced spectrograms have been classified using 5-layer CNN, VGG-16, and VGG-19. Classification results are compared with state-of-art studies. Comparison results shows that classification on noise reduced spectrograms performs better than current state-of-art methods.

Benzer Tezler

  1. 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

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  2. Uydu görüntüleri, meteorolojik veriler ve kamera fotoğrafları ile pamuk ve mısır bitkileri için rekolte tahmin modeli tasarımı: Şanlıurfa örneği

    Crop yield estimation model design for cotton and maize crops using satellite imagery, meteorological data and camera photographs: Şanlıurfa case study

    UĞUR ALGANCI

    Doktora

    Türkçe

    Türkçe

    2014

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. CANKUT ÖRMECİ

  3. Makine öğrenmesi yöntemleri kullanılarak üç boyutlu nokta bulutlarının sınıflandırılması

    Classification of three-dimensional point cloud via machine learning methods

    KORAY AKSU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. HANDE DEMİREL

  4. A statistical framework for degraded underwater video generation

    Bozulmuş sualtı video üretimi için istatistiksel bir yapı

    SERKAN ŞATAK

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  5. Derin öğrenme yöntemleri ile metalik yüzeylerde kusur tespiti ve sınıflandırılması

    Defect detection and classification on metallic surfaces using deep learning methods

    FEYZA SELAMET

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SERAP ÇAKAR