レーダーエコーのマルチモーダルデータ融合に基づいて、海洋浮動性弱いターゲットを検出するためのネットワークモデル

複雑な海洋環境での浮遊弱いターゲットと海の乱雑さの間の相互作用により、普遍的な深い学習モデルを設計することにより、ターゲットと海の混乱をさまざまな次元と区別する必要があります。したがって、この論文では、人工知能の分野（AI）から海洋ターゲット検出タスクにマルチモーダルデータ融合の概念を紹介します。ディープラーニング方法を使用して、レーダーエコーのマルチモーダルデータ融合に基づくターゲット検出ネットワークモデルが提案されています。ペーパーでは、異なるモダリティデータの特性に従って、時間領域の特徴、周波数ドメイン機能、および時間周波数機能を抽出するために、時間周波数機能モジュールと時間周波数機能抽出ネットワークモジュールが構築されています。レーダー海面エコー信号。検出パフォーマンスに関するさまざまなモダリティデータ間の冗長機能の影響を回避するために、異なる次元の機能を融合および最適化するために自己関節メカニズムが導入されています。公開されているIPIXレーダーとCSIRデータセットに基づいた実験結果は、レーダーエコーのマルチモーダルデータ融合が海洋浮遊弱いターゲットの検出性能を効果的に改善できることを示しています。提案されたモデルは、誤警報確率が低信号対散乱比（SCR）の海の状態で10-3である場合、0.97のターゲット検出確率を持っています。単一モダリティデータに基づく機能ベースの検出器と検出モデルと比較して、当社が提案する新しいモデルは、さまざまな海洋検出環境でより強力な検出性能と普遍性を持っています。さらに、転送学習方法は、このペーパーで新しいモデルをトレーニングするために使用され、モデルトレーニング時間を効果的に短縮します。これにより、海でのリアルタイムのターゲット検出に深い学習方法を適用する可能性が提供されます。

Due to the interaction between floating weak targets and sea clutter in complex marine environments, it is necessary to distinguish targets and sea clutter from different dimensions by designing universal deep learning models. Therefore, in this paper, we introduce the concept of multimodal data fusion from the field of artificial intelligence (AI) to the marine target detection task. Using deep learning methods, a target detection network model based on the multimodal data fusion of radar echoes is proposed. In the paper, according to the characteristics of different modalities data, the temporal LeNet (T-LeNet) network module and time-frequency feature extraction network module are constructed to extract the time domain features, frequency domain features, and time-frequency features from radar sea surface echo signals. To avoid the impact of redundant features between different modalities data on detection performance, a Self-Attention mechanism is introduced to fuse and optimize the features of different dimensions. The experimental results based on the publicly available IPIX radar and CSIR datasets show that the multimodal data fusion of radar echoes can effectively improve the detection performance of marine floating weak targets. The proposed model has a target detection probability of 0.97 when the false alarm probability is 10-3 under the lower signal-to-clutter ratio (SCR) sea state. Compared with the feature-based detector and the detection model based on single-modality data, the new model proposed by us has stronger detection performance and universality under various marine detection environments. Moreover, the transfer learning method is used to train the new model in this paper, which effectively reduces the model training time. This provides the possibility of applying deep learning methods to real-time target detection at sea.