Исследование методов классификации надводных кораблей по размерам, определяемым по их радиолокационным изображениям

L. G. Dorosinskiy, N. S. Vinogradova

Аннотация


Проблема определения размеров, занимаемых радиолокационным изображением (РЛИ) пространственно-распределенной цели (ПРЦ) на двумерной растровой картинке наблюдаемого участка земной (водной) поверхности, формируемой космическим радиолокатором с синтезированной апертурой, актуальна в самых различных задачах космического мониторинга. В данной работе названная проблема решается применительно к определению размеров РЛИ надводных кораблей на фоне отражений от морской поверхности.

В качестве моделей РЛИ используются как феноменологические, так и реальные, основанные на базе SSDD. Принятие решения о размерах НК производится как классическими (параметрическими и непараметрическими) алгоритмами, так и алгоритмами, основанными на машинном обучении с использованием искусственных нейронных сетей. Приведены результаты сравнительного анализа названных алгоритмов.

Ключевые слова


пространственно-распределенная цель; радиолокационное изображение; распознавание; отношение сигнал/шум; нейронная сеть

Полный текст:

PDF

Литература


Артемьев А. М. Военно­морской словарь. М.: Военное издательство; 1990. 511 с.

Корабел.ру. URL: https://www.korabel.ru/fleet/index2.html (дата обращения: 15.01.2024).

MIL Press Flot. URL: https://flot.com/nowadays/strength/surfaceships/#24 (дата обращения: 16 09 2023).

Дмитриев В. В., ред. Морской энциклопедический словарь. В 3 т. Ленинград: Судостроение; 1991. Т. 1. 504 c.

NavSource Photo Archives. URL: http://www.navsource.org/archives/10/15idx.htm (дата обращения: 17.01.2024).

Энциклопедия военной техники. URL: https://war-book.ru/xxi-vek/flot-ww4/ (дата обращения: 18.01.2024).

Кондратенков Г. С., Потехин В. А., Реутов А. П., Феоктистов Ю. А. Радиолокаци­ онные станции обзора Земли. М.: Радио и связь; 1983. 272 с.

Zhang T., ed. Official­SSDD. URL: https://github.com/TianwenZhang0825/Official-SSDD (дата обращения: 17.01.2024).

Li J., Qu C., Shao J. Ship detection in SAR images based on an improved faster R-CNN. 2017 SAR in Big Data Era: Models, Methods and Applications (BIGSARDATA). 13–14 November 2017. Beijing, China. IEEE; 2017. Pp. 1–6. DOI: 10.1109/ BIGSARDATA.2017.8124934.

Zhang T. SAR Ship Detection Dataset (SSDD): Official Release and Comprehensive Data Analysis. Remote Sensing. 2021;13(18):3690–3690. DOI: 10.3390/rs13183690

Доросинский Л. Г. Оптимальная обработка радиолокационных изображений. М.: Издательский дом Академии естествознания; 2017. 212 с.

Доросинский Л. Г., Виноградова Н. С. Обработка сигналов от пространст­ венно­ распределенных целей: монография. М.: Издательский дом Академии естествознания; 2023. 348 с. DOI: 10.17513/np.560

Ван Трис Г. Теория обнаружения, оценок и модуляции. В 4 т. Пер. с англ. под ред. В. И. Тихонова. М.: Советское радио; 1972. Т. 1. 744 с.

Hunter H., Graber H. Comparison of Feed Forward Neural Networks and Convolutional Neural Networks for SAR Automatic Target Recognition. 12th European Conference on Synthetic Aperture Radar (EUSAR 2018). 04–07 June 2018. Aachen, Germany. IEEE; 2018. Pp. 1–6.




DOI: https://doi.org/10.15826/urej.2024.8.1.004