Shadow-Background-Noise 3D Spatial Decomposition Using Sparse Low-Rank Gaussian Properties for Video-SAR Moving Target Shadow Enhancement

要約

ビデオ合成開口レーダ (Video-SAR) 画像間で移動するターゲットの影は、低散乱の背景と雑然としたノイズによって常に干渉され、検出追跡の精度が低下します。
したがって、シャドウ バックグラウンド ノイズ 3D 空間分解 (SBN-3D-SD) モデルは、より高い検出追跡精度のためにシャドウを強化するために提案されています。
影のスパース プロパティ、背景の低ランク プロパティ、およびノイズのガウス プロパティを利用して、3D 空間 3 分割を実行します。
交互方向乗数法(ADMM)により、背景やノイズから影を分離します。
サンディア国立研究所 (SNL) のデータに関する結果は、その有効性を証明しています。
定性的評価と定量的評価から影の顕著性を高めます。
Faster R-CNN、RetinaNet、YOLOv3 の影検出精度を向上させます。
また、TransTrack、FairMOT、ByteTrack のシャドウ トラッキングの精度も向上します。

要約(オリジナル)

Moving target shadows among video synthetic aperture radar (Video-SAR) images are always interfered by low scattering backgrounds and cluttered noises, causing poor detec-tion-tracking accuracy. Thus, a shadow-background-noise 3D spatial decomposition (SBN-3D-SD) model is proposed to enhance shadows for higher detection-tracking accuracy. It leverages the sparse property of shadows, the low-rank property of back-grounds, and the Gaussian property of noises to perform 3D spatial three-decomposition. It separates shadows from back-grounds and noises by the alternating direction method of multi-pliers (ADMM). Results on the Sandia National Laboratories (SNL) data verify its effectiveness. It boosts the shadow saliency from the qualitative and quantitative evaluation. It boosts the shadow detection accuracy of Faster R-CNN, RetinaNet and YOLOv3. It also boosts the shadow tracking accuracy of TransTrack, FairMOT and ByteTrack.

arxiv情報

著者 Xiaowo Xu,Xiaoling Zhang,Tianwen Zhang,Zhenyu Yang,Jun Shi,Xu Zhan
発行日 2022-12-07 13:05:44+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク