CoRe-Net: Co-Operational Regressor Network with Progressive Transfer Learning for Blind Radar Signal Restoration

要約

実世界のレーダー信号は、センサーノイズ、エコー、干渉、意図的な詰まり、タイプ、重大度、期間が異なるさまざまなアーティファクトによって頻繁に破損します。
このパイロット研究では、このような制限と欠点に対処するように設計されたブラインドレーダー信号の修復用に、共操作レグレッサーネットワーク(Core-NET)と呼ばれる新しいモデルを紹介します。
Core-Netは、敵対的な訓練を新しい協同学習戦略に置き換え、見習い回帰(AR)およびマスターレグレッサー(MR)の補完的な役割を活用しています。
ARはさまざまなアーティファクトによって破損したレーダー信号を復元しますが、MRは修復の品質を評価し、即時かつタスク固有のフィードバックを提供し、安定した効率的な学習を確保します。
したがって、ARには、MRによる自己学習と支援学習の両方の利点があります。
提案されたモデルは、多様な現実世界のアーティファクトシナリオをシミュレートするベンチマークブラインドレーダー信号修復(BRSR)データセットを介して広範囲に評価されています。
公正な実験セットアップの下で、この研究は、コアネットが1 dBの平均SNR改善を超えるOPガンを上回ることを示しています。
パフォーマンスの向上をさらに高めるために、この研究は、繰り返し洗練を可能にするプログレッシブトランスファーラーニング(PTL)と呼ばれる新しいパラダイムでトレーニングされたカスケードコアネットによるマルチパス修復を提案し、さらに2 dBの平均SNR強化を達成します。
PTLによるマルチパスコアネットトレーニングは、連続した修復パスを通じて一貫して増分パフォーマンスの改善をもたらし、そのような複雑でさまざまなアーティファクトのブレンドを処理するコアネット機能を強調します。

要約(オリジナル)

Real-world radar signals are frequently corrupted by various artifacts, including sensor noise, echoes, interference, and intentional jamming, differing in type, severity, and duration. This pilot study introduces a novel model, called Co-Operational Regressor Network (CoRe-Net) for blind radar signal restoration, designed to address such limitations and drawbacks. CoRe-Net replaces adversarial training with a novel cooperative learning strategy, leveraging the complementary roles of its Apprentice Regressor (AR) and Master Regressor (MR). The AR restores radar signals corrupted by various artifacts, while the MR evaluates the quality of the restoration and provides immediate and task-specific feedback, ensuring stable and efficient learning. The AR, therefore, has the advantage of both self-learning and assistive learning by the MR. The proposed model has been extensively evaluated over the benchmark Blind Radar Signal Restoration (BRSR) dataset, which simulates diverse real-world artifact scenarios. Under the fair experimental setup, this study shows that the CoRe-Net surpasses the Op-GANs over a 1 dB mean SNR improvement. To further boost the performance gain, this study proposes multi-pass restoration by cascaded CoRe-Nets trained with a novel paradigm called Progressive Transfer Learning (PTL), which enables iterative refinement, thus achieving an additional 2 dB mean SNR enhancement. Multi-pass CoRe-Net training by PTL consistently yields incremental performance improvements through successive restoration passes whilst highlighting CoRe-Net ability to handle such a complex and varying blend of artifacts.

arxiv情報

著者 Muhammad Uzair Zahid,Serkan Kiranyaz,Alper Yildirim,Moncef Gabbouj
発行日 2025-01-28 18:15:27+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.LG パーマリンク