CFARnet: deep learning for target detection with constant false alarm rate

要約

一定の誤報率 (CFAR) によるターゲット検出の問題を検討します。
この制約は、多くの実際のアプリケーションにおいて重要であり、古典的な複合仮説検定における標準要件です。
従来のアプローチが計算コストがかかる設定、またはデータ サンプルのみが与えられる設定では、ベイジアンおよび機械学習の方法論が有利です。
これらの設定では、CFAR はあまり理解されていません。
このギャップを埋めるために、CFAR 制約付き検出器のフレームワークを導入します。
理論的には、CFAR 制約付きベイズ最適検出器が古典的な一般化尤度比検定 (GLRT) と漸近的に同等であることを証明します。
実際には、それを近似するニューラル ネットワークをフィッティングするための深層学習フレームワークを開発します。
モデルベースのターゲット検出とデータ駆動型ハイパースペクトル画像の両方の実験により、提案された CFARnet が CFAR と精度の間の柔軟なトレードオフを可能にすることが実証されました。
CFAR に近い問題の多くは、精度をわずかに損なうことなく検出器を開発できます。

要約(オリジナル)

We consider the problem of target detection with a constant false alarm rate (CFAR). This constraint is crucial in many practical applications and is a standard requirement in classical composite hypothesis testing. In settings where classical approaches are computationally expensive or where only data samples are given, Bayesian and machine learning methodologies are advantageous. CFAR is less understood in these settings. To close this gap, we introduce a framework of CFAR constrained detectors. Theoretically, we prove that a CFAR constrained Bayes optimal detector is asymptotically equivalent to the classical generalized likelihood ratio test (GLRT). Practically, we develop a deep learning framework for fitting neural networks that approximate it. Experiments in both model based target detection and data-driven hyper-spectral images demonstrates that the proposed CFARnet allows a flexible tradeoff between CFAR and accuracy. In many problems near CFAR detectors can be developed with a small loss in accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google