10.12305/j.issn.1001-506X.2024.01.17
基于YOLO的航管一次雷达目标检测方法
针对传统恒虚警率(constant false alarm rate,CFAR)检测方法检测率低的问题,提出一种基于YOLO(you only look once)的深度学习雷达目标检测方法.首先,利用同相正交(in-phase/quadrature,I/Q)数据匹配滤波后形成的雷达原始图像自建雷达目标图像数据集.然后,改进YOLO检测模型的网络结构、特征融合策略和损失函数以提高模型的精度,并引入迁移学习思想,利用预训练的深度学习网络提取图像特征,降低了检测模型对训练样本量的要求.最后,在自建数据集上对YOLO目标检测方法进行了实验验证.航管一次雷达实测数据的实验证明:与传统CFAR检测方法和两阶段的快速区域卷积神经网络(region convolutional neural networks,R-CNN)检测方法相比,所提方法的 目标检测率大幅提高,虚警率明显降低,且实现了实时检测.
航管一次雷达、深度学习、目标检测、YOLO
46
TN957
2024-01-18(万方平台首次上网日期,不代表论文的发表时间)
共9页
143-151