Transfer learning with convolutional neural networks for moving target classification with micro-Doppler radar spectrograms

Hadhrami, Esra Al; Mufti, Maha Al; Taha, Bilal; Werghi, Naoufel

doi:10.1109/icaibd.2018.8396184

Cited by 40 publications

(13 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The most commonly employed radar signal characteristic for automatic target classification is the micro-Doppler (m-D) signature [40]. The m-D signature has been utilized by many works for automatic target classification such as ground moving target classification [41,42,43], ship detection [44], human gait recognition [45,46], and human activity classification [47,48]. In recent years, it has been an active area of research in the field of c-UAV radar based applications.…”

Section: Radar Sensormentioning

confidence: 99%

Deep Learning on Multi Sensor Data for Counter UAV Applications—A Systematic Review

Samaras

Diamantidou

Ataloglou

et al. 2019

Sensors

149

View full text Add to dashboard Cite

Usage of Unmanned Aerial Vehicles (UAVs) is growing rapidly in a wide range of consumer applications, as they prove to be both autonomous and flexible in a variety of environments and tasks. However, this versatility and ease of use also brings a rapid evolution of threats by malicious actors that can use UAVs for criminal activities, converting them to passive or active threats. The need to protect critical infrastructures and important events from such threats has brought advances in counter UAV (c-UAV) applications. Nowadays, c-UAV applications offer systems that comprise a multi-sensory arsenal often including electro-optical, thermal, acoustic, radar and radio frequency sensors, whose information can be fused to increase the confidence of threat’s identification. Nevertheless, real-time surveillance is a cumbersome process, but it is absolutely essential to detect promptly the occurrence of adverse events or conditions. To that end, many challenging tasks arise such as object detection, classification, multi-object tracking and multi-sensor information fusion. In recent years, researchers have utilized deep learning based methodologies to tackle these tasks for generic objects and made noteworthy progress, yet applying deep learning for UAV detection and classification is considered a novel concept. Therefore, the need to present a complete overview of deep learning technologies applied to c-UAV related tasks on multi-sensor data has emerged. The aim of this paper is to describe deep learning advances on c-UAV related tasks when applied to data originating from many different sensors as well as multi-sensor information fusion. This survey may help in making recommendations and improvements of c-UAV applications for the future.

show abstract

Section: Radar Sensormentioning

confidence: 99%

Deep Learning on Multi Sensor Data for Counter UAV Applications—A Systematic Review

Samaras

Diamantidou

Ataloglou

et al. 2019

Sensors

149

View full text Add to dashboard Cite

show abstract

“…Ortaklama katmanında, küçük aktivasyon haritaları oluşturmak için bağımsız olarak her bir aktivasyon haritasının üzerinde çalışan bir aşağı örnekleme işlemi gerçekleştirilmektedir. Tam bağlantılı katmanda ise evrişim katmanları tarafından çıkarılan ve katmanları birleştirerek aşağı örneklenen özellikler üzerinde doğrusal işlemler gerçekleştirilmektedir [24]. ESA uygulamalarından birisi olan transfer öğrenimi ön eğitilmiş ESA mimarilerine yeni bir görev yüklemek için ağın yeniden eğitilmesi işlemidir.…”

Section: Evri̇şi̇mli̇ Si̇ni̇r Ağlari (Esa)unclassified

Ön Eği̇ti̇mli̇ Evri̇şi̇mli̇ Si̇ni̇r Ağlari Destekli̇ Görüntü Sahteci̇li̇k Tespi̇ti̇ Yöntemi̇

Gül¹,

Öztürk²

2020

Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

İnternet ve bilgisayar teknolojilerinin gelişmesi ile görüntü sahteciliği tespiti önem kazanmıştır. Ayrıca, görüntü iyileştirme uygulamalarında kullanılan tekniklerin iyi başarım göstermesi için görüntülere uygulanan saldırı çeşitlerinin ve bölgelerinin doğru bir şekilde tespit edilmesi gerekmektedir. Bu çalışmada, görüntülere uygulanan saldırı çeşitlerini ve saldırı bölgelerini tespit etmek için ön eğitimli AlexNet ve GoogLeNet evrişimli sinir ağları destekli görüntü sahtecilik tespiti yöntemi önerilmiştir. Öncelikle; MICC-F2000 veri kümesinde bulunan görüntüler kullanılarak orijinal ve saldırılmış görüntülerin olduğu görüntü sahteciliği tespiti veri kümesi oluşturulmuştur. Saldırılmış görüntüleri elde etmek için Gauss bulanıklaştırma, medyan filtreleme, Gauss gürültü ekleme, Poisson gürültü ekleme ve keskinleştirme saldırıları kullanılmıştır. Daha sonra, ön eğitimli AlexNet ve GoogLeNet ağlarının tam bağlantılı katmanları deneysel veri kümesindeki altı veri sınıfı için yeni tam bağlantılı katmanlar ile değiştirilmiştir. Oluşturulan AlexNet ve GoogLeNet destekli ağlar hazırlanan görüntü sahteciliği tespiti veri kümesi ile eğitilerek test edilmiştir. Faklı hiperparametre değerleri için ağların başarımları ölçülmüştür. AlexNet destekli ağlarda en yüksek başarım %99,48'lik doğruluk oranı ile elde edilirken, GoogLeNet destekli ağlarda ise en yüksek başarım %99,92'lik doğruluk oranı ile elde edilmiştir. Ayrıca, geliştirilen AlexNet ve GoogLeNet destekli sahtecilik tespiti yönteminin CoMoFoD veri kümesinden alınan görüntüler üzerindeki saldırıları tespit edebilme başarısı gözlemlenmiştir. Deneysel sonuçlar önerilen yöntemin başarılı bir şekilde görüntü sahteciliği tespiti için kullanılabileceğini göstermiştir.

show abstract

“…In machine learning terms, the transfer learning roughly translates to transferring the weights of already trained deep neural network model for one task, to the model tackling second related task [13]. Based on previous work [16,2,25], such approaches work especially well if we have a small, insufficient dataset.…”

Section: Transfer Learningmentioning

confidence: 99%

Transfer Learning Tuning Utilizing Grey Wolf Optimizer for Identification of Brain Hemorrhage from Head CT Images

Vrbančič¹,

Zorman²,

Podgorelec³

2019

StuCoSReC. Proceedings of the 2019 6th Student Computer Science Research Conference

View full text Add to dashboard Cite

Most commonly, diagnosing the brain hemorrhage-a condition caused by a brain artery busting and causing bleeding is done by medical experts identifying such pathologies from the computer tomography (CT) images. With great advancements in the domain of deep learning, utilizing deep convolutional neural networks (CNN) for such tasks has already proven to achieve encouraging results. One of the major problems of using such an approach is the need for big labeled datasets to train such deep architectures. One of the efficient techniques for training CNNs with smaller datasets is transfer learning. For the efficient use of transfer learning, many parameters are needed to be set, which are having a great impact on the classification performance of the CNN. Most of those parameters are commonly set based on our previous experience or by trial and error. The proposed method addresses the problem of tuning the transfer learning technique utilizing the nature-inspired, population-based metaheuristic Grey Wolf Optimizer (GWO). The proposed method was tested on a small head CT medical imaging dataset. The results obtained from the conducted experiments show that the proposed method outperforms the conventional approach of parameter settings for transfer learning.

show abstract

Transfer learning with convolutional neural networks for moving target classification with micro-Doppler radar spectrograms

Cited by 40 publications

References 15 publications

Deep Learning on Multi Sensor Data for Counter UAV Applications—A Systematic Review

Deep Learning on Multi Sensor Data for Counter UAV Applications—A Systematic Review

Ön Eği̇ti̇mli̇ Evri̇şi̇mli̇ Si̇ni̇r Ağlari Destekli̇ Görüntü Sahteci̇li̇k Tespi̇ti̇ Yöntemi̇

Transfer Learning Tuning Utilizing Grey Wolf Optimizer for Identification of Brain Hemorrhage from Head CT Images

Contact Info

Product

Resources

About