Machine learning methods for computational radar imaging
Hesaplamalı radar görüntüleme için makine öğrenme teknikleri
- Tez No: 928688
- Danışmanlar: PROF. DR. SELİM SAFFET BALCISOY, PROF. DR. MÜJDAT ÇETİN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 175
Özet
Sentetik Açıklıklı Radar (SAR) gibi hesaplamalı görüntüleme radarı, her türlü hava koşulunda ve hem gündüz hem de gece görüntü sağlayabilen bir uzaktan algılama teknolojisidir. SAR'da, geniş bantlı bir cıvıltı sinyali ileten monte edilmiş platformun hareketi yoluyla sentetik bir açıklık oluşturulur. Alındığında, sentetik açıklıktan alınan sinyal, bir SAR görüntüsü oluşturmak için hesaplamalı olarak sentezlenir. Avantajlarına rağmen SAR, karmaşık değerli veriler üreten karmaşık, tutarlı bir görüntüleme sistemidir. Sınırlı bant genişliği ve sınırlı bakış açıları gibi faktörler nedeniyle beneklenmeye yol açabilen doğal sınırlamaları vardır. Ek olarak, SAR fiziğinin modellenmesindeki belirsizlikler daha fazla karmaşıklığa yol açarak faz hatalarına neden olur. Bu tezde, makine öğrenme tekniklerini kullanarak SAR görüntü yeniden yapılandırması için çözümler gösteriyoruz. Evrişimli sözlük tabanlı temsil kullanarak seyreklik odaklı SAR görüntülemeyi tanıtıyoruz. Ancak bu yöntem, özellikle parça parça düzgün filtreler ve düşük küresel karşılıklı tutarlılık gereksinimi olmak üzere, temsildeki içsel sınırlamaları nedeniyle k-SVD tabanlı sözlük temsili kadar iyi performans göstermez. Tak ve Çalıştır ön yapılandırmasında ön-birleştirme işlevleri olarak gürültü gidericileri kullanarak SAR görüntü yeniden yapılandırması için bir çerçeve geliştirdik. BM3D tabanlı gürültü gidericiler ve CNN tabanlı gürültü gidericiler araştırıldı ve bu da en son teknoloji performansıyla sonuçlandı. CNN'ler gürültü giderici olarak üstün performans sağlarken, aynı zamanda eserleri kaldırma ve gürültülüden temiz görüntülere karmaşık eşleme yapma potansiyeline de sahiptirler. Bu nedenle, bir CNN'nin tüm yeteneklerini kullanarak SAR görüntü yeniden yapılandırması gerekiyordu. Karmaşık değerli ölçümlerin CNN tabanlı gürültü gidermeye ek olarak, önceden oluşturulmuş bir kayıp fonksiyonunu da içeren, SAR görüntü yeniden oluşturma için üretken bir ağ kullanan bir çerçeve geliştirdik. CNN'ler SAR görüntü yeniden oluşturmada dikkate değer bir performans göstermiş olsalar da, genellikle soluk veya bulanık bir etkiye yol açarlar. Bu sorunun kayıp fonksiyonundan kaynaklandığını varsayıyoruz. Bunu ele almak için, gürültü giderme ve doku korumayı dengeleyen yeni bir kayıp fonksiyonu tasarladık. Yeni kayıp fonksiyonu, logaritmik ayrık kosinüs dönüşümüne dayanmaktadır ve diğer yaygın olarak kullanılan kayıp fonksiyonlarına kıyasla en son teknoloji performansıyla sonuçlanmaktadır. SAR fiziksel olaylarının modellenmesindeki belirsizlik açıktır ve faz gürültüsüne neden olur ve SAR görüntü yeniden oluşturmayı (otomatik odaklama) önemli bir zorluk haline getirir. Sadece performans kazanımları sunmakla kalmayıp aynı zamanda model belirsizliği altında SAR görüntü yeniden oluşturmada daha fazla iyileştirme potansiyeli de taşıyan, yarı denetlenen, CNN odaklı otomatik odaklamaya dayalı bir çerçeve sunuyoruz.
Özet (Çeviri)
Computational imaging radar, such as Synthetic Aperture Radar (SAR), is a remote sensing technology capable of providing imagery under all weather conditions and during both day and night. In SAR, a synthetic aperture is created through the motion of the mounted platform, which transmits a wideband chirp signal. Upon reception, the received signal from the synthetic aperture is computationally synthesized to form a SAR image. Despite its advantages, SAR is a complex, coherent imaging system that produces complex-valued data. It has inherent limitations due to factors like restricted bandwidth and limited look angles, which can lead to speckle. Additionally, uncertainties in modeling the physics of SAR introduce further complexity, leading to phase errors. In this dissertation, we demonstrate solutions for SAR image reconstruction using machine learning techniques. We introduce sparsity-driven SAR imaging using convolutional dictionary-based representation. However, this method does not perform as well as k-SVD-based dictionary representation, due to its inherent limitations in representation, particularly the requirement for piecewise smooth filters and low global mutual coherence. We have developed a framework for SAR image reconstruction using denoisers as prior-incorporating functions in a Plug-and-Play prior configuration. BM3D-based denoisers and CNN-based denoisers are explored, resulting in state-of-the-art performance. While CNNs as denoisers yield superior performance, they also have the potential to remove artifacts and perform complex mapping from noisy to clean images. SAR image reconstruction using full capability of a CNN was therefore required. We developed a framework that uses a generative network for SAR image reconstruction, incorporating a prior-induced loss function in addition to CNN-based denoising of complex-valued measurements. Although CNNs have demonstrated remarkable performance in SAR image reconstruction, they often lead to a washed-out or blurred effect. We hypothesize that this issue arises from the loss function. To address this, we designed a new loss function that balances denoising and texture preservation. The novel loss function is based on the logarithmic discrete cosine transform, resulting in state-of-the-art performance compared to other commonly used loss functions. The uncertainty in modeling SAR physical phenomena is evident, resulting in phase noise and making SAR image reconstruction (autofocus) a significant challenge. We introduce a framework based on semi-supervised, CNN-driven autofocus, which not only offers performance gains but also holds potential for further improvement in SAR image reconstruction under model uncertainty.
Benzer Tezler
- Açıklanabilir yapay zeka yöntemleri ile toprak tuzluluğu haritalarının üretilmesi
Soil salinity mapping using explainable artificial intelligence methods
SAMET AKSOY
Yüksek Lisans
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Multi-output regressions for estimating crop's biophysical parameters from polsar data
Ekın biyofiziksel parametrelerinin çok hedefli regresyon analizleri ile kestirimi
ZEHRA MELTEM ŞAHİN
Yüksek Lisans
İngilizce
2019
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA ERTEN
DR. ÖĞR. ÜYESİ GÜLŞEN TAŞKIN KAYA
- Compressive sensing methods in transform domains for radar and sonar signals
Radar ve sonar işaretler için dönüşüm bölgelerinde sıkıştırmalı algılama yöntemleri
PINAR ÖZKAN BAKBAK
Doktora
İngilizce
2016
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. LÜTFİYE DURAK ATA
- Design of frequency selective surface based on reflection coefficients in C and X bands using nested convolutional neural network
İçiçe evrişimli sinir ağları kullnarak C ve X bantlarında yansıma katsayısı temelli frekans seçici yüzey tasarımı
ERKAN KIYMIK
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGUN ERÇELEBİ
- Multidimensional assignment in multi-sensor multi-object tracking environments
Çoklu sensör çoklu nesne takibi yapılan ortamlarda çok boyutlu atama
SAİD KEMAL CENGİZ
Yüksek Lisans
İngilizce
2025
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RAMAZAN YENİÇERİ