Geri Dön

Machine learning methods for computational radar imaging

Hesaplamalı radar görüntüleme için makine öğrenme teknikleri

PDF İndir

  1. Tez No: 928688
  2. Yazar: AMMAR SALEEM
  3. Danışmanlar: PROF. DR. SELİM SAFFET BALCISOY, PROF. DR. MÜJDAT ÇETİN
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Sabancı Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

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

  1. Tez No

    989342

    Kenar koruyucu filtreler kullanarak SAR görüntülerinin sınıflandırılması

    Classification of SAR images using edge preserving filters

    BARIŞ AKKUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Ana Bilim Dalı

    DOÇ. DR. ALİ CAN KARACA

    DR. AHMET ELBİR

  2. Tez No

    277

    Bir pamuk iplikhanesinde fiili çalışma metodlarının incelenmesi ve mevcut işlemlerin standart sürelerinin saptanması

    Başlık çevirisi yok

    MÜRŞİDE KESEROĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    İşletmeEge Üniversitesi

    Tekstil Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA NAZMİ ERCAN

  3. Tez No

    234

    Adana ili Ceyhan ilçesi Tatlıkuyu köyünün mekanizasyon varlığı ve işletme maliyetlerinin saptanması üzerinde bir araştırma

    Başlık çevirisi yok

    MEHMET KABASAKAL

    Yüksek Lisans

    Türkçe

    Türkçe

    1987

    ZiraatÇukurova Üniversitesi

    Tarımsal Mekanizasyon Ana Bilim Dalı

    PROF. DR. KURTULUŞ TUNCER

  4. Tez No

    39

    Studies on the cuttability of rocks at O.A.L. Çayırhan district by laboratory cutting tests

    Başlık çevirisi yok

    KÜRŞAD CEYLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    1987

    Maden Mühendisliği ve MadencilikOrta Doğu Teknik Üniversitesi

    Maden Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NACİ BÖLÜKBAŞI

  5. Tez No

    40

    An Experimental and analytical investigation of cam follower jump phenomenon

    Başlık çevirisi yok

    ŞÖLEN ŞEN

    Yüksek Lisans

    İngilizce

    İngilizce

    1987

    Makine MühendisliğiOrta Doğu Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET ÇALIŞKAN

Geri Dön