SAR ATR based on Support Vector Machines and Independent Component Analysis

Maokuan, Li; Guan, Jian; Hui, Duan; Gao, Xin

doi:10.1109/icr.2006.343438

Cited by 8 publications

(5 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Для реализации этого преобразования используются оценки статистических моментов более высоких порядков и условия статистической независимости элементов вектора признаков, причем процедура расчета базисных векторов формируемого пространства зачастую связана со значительными вычислительными трудностями. Тем не менее, в сочетании с методом главных компонент для подавления спеклшумов возможно распознавание морских судов с точностью более чем 95 % даже в условиях очень низкой контрастности целей [43], а использование различных классификаторов с учителем после применения метода независимых компонент демонстрирует точность распознавания не ниже 90 % на примере объектов базы MSTAR [44][45]. База MSTAR представляет собой серию РЛИ десяти различных транспортных средств военного назначения с пространственным разрешением 30 см и размером кадра 128×128 элементов, полученных в X-диапазоне при различных углах обзора.…”

Section: метод независимых компонентunclassified

“…Метод опорных векторов позволяет достигнуть точности 90 % и выше в задачах распознавания объектов базы MSTAR [36,37,190,194] в сочетании со сравнительно низким уровнем ошибок пропуска цели [36,39,134,140,190,195]. Метод опорных векторов успешно используется в сочетании с различными приемами преобразованию пространства признаков, такими как метод главных компонент [36,37] и метод независимых компонент [44], неотрицательного матричного разложения векторов признаков обучающей выборки (NMF) [134], а также выделению дополнительных дешифровочных признаков с помощью Фурье-преобразования [194] и нахождения центральных моментов изображения [119,190].…”

Section: метод опорных векторовunclassified

See 1 more Smart Citation

Обработка Сигналов От Пространственно Распределённых Целей

Доросинский,

Виноградова

2023

View full text Add to dashboard Cite

Книга посвящена решению теоретических и практических проблем обнаружения, измерения параметров и классификации пространственно-распределённых целей (ПРЦ) по отражённым сигналам и формируемым на их основе их радиолокационным изображениям (РЛИ). Подобные проблемы возникают при радиолокационном обзоре воздушного и космического пространства, земной и водной поверхности с использованием различных радиотехнических систем: РЛС дальнего обнаружения, РЛС с синтезированием апертуры, размещённых на воздушных и космических носителях и многих других подобных систем. В книге подробно рассмотрены методы синтеза и анализа алгоритмов обнаружениря, оценки параметров и классификации ПРЦ, алгоритмы формирования РЛИ движущихся объектов. Книга представляет интерес для специалистов, студентов и аспирантов, работающих в области разработки современных радиотехнических систем военного и гражданского назначения.

show abstract

Section: метод независимых компонентunclassified

Section: метод опорных векторовunclassified

Обработка Сигналов От Пространственно Распределённых Целей

Доросинский,

Виноградова

2023

View full text Add to dashboard Cite

show abstract

“…The first considered method is the SVM scheme, which is a class of statistical models first developed in the 1960s by Vladimir Vapnik [34] that can be used for classification [35]. SVM has become popular due to its applicability in a variety of contexts, such as extreme learning machines [34], automatic target recognition for CNN-based in SAR images [36], SAR ATR, and independent component analysis [37].…”

Section: Classification Toolsmentioning

confidence: 99%

Assessment of Machine Learning Techniques for Oil Rig Classification in C-Band SAR Images

et al. 2022

View full text Add to dashboard Cite

This article aims at performing maritime target classification in SAR images using machine learning (ML) and deep learning (DL) techniques. In particular, the targets of interest are oil platforms and ships located in the Campos Basin, Brazil. Two convolutional neural networks (CNNs), VGG-16 and VGG-19, were used for attribute extraction. The logistic regression (LR), random forest (RF), support vector machine (SVM), k-nearest neighbours (kNN), decision tree (DT), naive Bayes (NB), neural networks (NET), and AdaBoost (ADBST) schemes were considered for classification. The target classification methods were evaluated using polarimetric images obtained from the C-band synthetic aperture radar (SAR) system Sentinel-1. Classifiers are assessed by the accuracy indicator. The LR, SVM, NET, and stacking results indicate better performance, with accuracy ranging from 84.1% to 85.5%. The Kruskal–Wallis test shows a significant difference with the tested classifier, indicating that some classifiers present different accuracy results. The optimizations provide results with more significant accuracy gains, making them competitive with those shown in the literature. There is no exact combination of methods for SAR image classification that will always guarantee the best accuracy. The optimizations performed in this article were for the specific data set of the Campos Basin, and results may change depending on the data set format and the number of images.

show abstract

“…Because the method has better recognition rate [1~4] , especially in the research on face recognition. Nowadays this method has been used to SAR ATR For example in the paper [5] , the author extracted the features used ICA, then the features were classified by SVMs classifier. But all the studies are based on a subspace, namely, all the target features were extracted in a subspace.…”

Section: Introductionmentioning

confidence: 99%

“…Because the features extracted by the PCA or ICA are the differences of the different images, these features can not incarnate the target sorts. So in the paper [5], the SVMs classifier was used.…”

Section: Introductionmentioning

confidence: 99%

SAR ATR based on multi-subspaces of independent component analysis

Guan

Tao

et al. 2007

2007 1st Asian and Pacific Conference on Synthetic Aperture Radar

View full text Add to dashboard Cite

In this paper, a SAR (synthetic aperture radar) ATR algorithm based on multi-subspaces of Independent Component Analysis (ICA) is proposed. Features of each target SAR images are extracted by using ICA firstly, and then the Feature images of the target compose a subspace. All targets can compose multi-subspaces. Finally, we combine all the subspaces to a big new subspace by using PCA. We test our method on MASTAR database. The experiment result shows that the performance of this method is superior to other methods.

show abstract

SAR ATR based on Support Vector Machines and Independent Component Analysis

Cited by 8 publications

References 3 publications

Обработка Сигналов От Пространственно Распределённых Целей

Обработка Сигналов От Пространственно Распределённых Целей

Assessment of Machine Learning Techniques for Oil Rig Classification in C-Band SAR Images

SAR ATR based on multi-subspaces of independent component analysis

Contact Info

Product

Resources

About