Azərbaycanca
Беларускі
Dansk
Deutsch
Española
Français
Indonesia
Italiana
日本語
Қазақ
Lietuvos
Nederlands
Português
Русский
සිංහල
แบบไทย
Türkçe
Українська
中國人
United State
Afrikaans
Otomatik hedef tanıma (Automatic target recognition; ATR), bir algoritmanın veya cihazın, sensörlerden elde edilen verilere dayanarak hedefleri veya diğer nesneleri tanıma yeteneğidir.
Hedef tanıma ilk olarak, radar tarafından aydınlatılan hedefi sınıflandırmak için bu sesi deşifre edecek eğitimli bir operatörün, alınan sinyalin sesli bir temsili kullanılarak yapıldı. Bu eğitimli operatörler başarılı olurken, sınıflandırmada daha fazla doğruluk ve hız sağlayan otomatik yöntemler geliştirildi ve geliştirilmeye devam edilmektedir. ATR, kara ve hava araçları gibi insan yapımı nesnelerin yanı sıra hayvanlar, insanlar ve bitkisel dağınıklık gibi biyolojik hedefleri tanımlamak için de kullanılmaktadır. Bu, bir savaş alanındaki bir nesneyi tanımaktan, Doppler hava radarındaki büyük kuş sürülerinin neden olduğu parazitleri filtrelemeye kadar her şey için faydalı olabilmektedir.
Olası askeri uygulamalar, gibi basit bir tanımlama sistemini içermektedir. Ayrıca insansız hava araçları ve seyir füzeleri gibi diğer uygulamalarda kullanılmaktadır. ATR'nin yerel uygulamalar için de kullanılmasına giderek daha fazla önem verilmiştir. Sınır güvenliği, metro hattındaki nesneleri veya insanları tanımlamak için güvenlik sistemleri, otomatikleştirilmiş araçlar ve diğerleri için ATR'nin kullanılmasına yönelik araştırmalar yapılmıştır.
Tarihçe
Hedef tanıma, neredeyse radardan beri var olmuştur. Radar operatörleri, yansıyan sinyal tarafından alınan ses gösterimi aracılığıyla düşman bombardıman uçaklarını ve savaşçılarını tanımlayacaktı (Örneğin II. Dünya Savaşı'nda kullanılan radar teknikleri).
Hedef tanıma, temel bant sinyalinin operatöre çalınmasıyla yıllarca yapılmıştır. Bu sinyali dinleyen eğitimli radar operatörleri, aydınlatılan hedef hakkında, aracın türü, hedefin boyutu gibi çeşitli bilgileri tanımlayabilir ve potansiyel olarak biyolojik hedefleri bile ayırt edebilmektedir. Ancak, bu yaklaşımın birçok sınırlaması vardır. Operatör, her bir hedefin nasıl ses çıkaracağı konusunda eğitilmelidir. Eğer hedef yüksek hızda hareket ediyorsa artık duyulamayabilir ve bu durum hata olasılığını yükseltir. Bununla birlikte, sinyali sesli olarak temsil etme fikri, hedeflerin otomatik olarak sınıflandırılması için bir temel sağlamıştır. Geliştirilen çeşitli sınıflandırma şemaları, konuşma tanıma gibi diğer ses uygulamalarında kullanılan temel bant sinyalinin özelliklerini kullanmaktadır.
Genel bakış
Mikro-Doppler Etkisi
Radar, iletilen sinyalin bu sinyal tarafından aydınlatılan hedeften geri dönmesinin ne kadar sürdüğünü hesaplayarak bir nesnenin uzaklığını belirler. Bu nesne sabit olmadığında, Doppler etkisi olarak bilinen frekansta bir kaymaya neden olur. Tüm nesnenin öteleme hareketine ek olarak, nesnenin titreşmesi veya dönmesi, frekansta ek bir kaymaya neden olabilir. Bu olduğunda, Doppler kaydırılmış sinyal modüle edilir. Sinyalin modülasyonuna neden olan bu ek Doppler etkisi, mikro-Doppler etkisi olarak bilinir. Bu modülasyon, ATR için algoritmaların geliştirilmesine izin verecek belirli bir desene veya imzaya sahip olabilir. Mikro-Doppler etkisi, hedefin hareketine bağlı olarak zamanla değişecek ayrıca zaman ve frekans değişen bir sinyale neden olacaktır.
Zaman-frekans analizi
Fourier dönüşümü zamanla değişen bileşeni hesaba katamadığı için bu sinyalin Fourier dönüşümü analizi yeterli değildir. Frekans ve zamanın bir fonksiyonunu elde etmenin en basit yöntemi, kısa zamanlı Fourier dönüşümünü (short-time Fourier transform; STFT) kullanmaktır. Ancak, Gabor dönüşümü veya Wigner dağıtım fonksiyonu gibi daha sağlam yöntemler, frekans ve zaman alanının eşzamanlı bir temsilini sağlamak için kullanılabilir. Ancak tüm bu yöntemlerde, frekans çözünürlüğü ile zaman çözünürlüğü arasında bir değiş tokuş olacaktır.
Tespit etme
Bulunan spektral bilgi çıkarıldıktan sonra, sistemin tanımlayacağı hedefler hakkında bilgi içeren mevcut bir veritabanı ile karşılaştırılabilir ve aydınlatılan hedefin ne olduğuna karar verilebilir. Bu, alınan sinyalin modellenmesi ve ardından kütüphanedeki hangi hedefin alınan sinyal kullanılarak oluşturulan modele en uygun olduğuna karar vermek için maksimum olabilirlik (maximum likelihood; ML), çoğunluk oylaması (majority voting; MV) veya maksimum a posteriori (maximum a posteriori MAP) gibi istatistiksel bir tahmin yöntemi kullanılarak yapılır.
Yaklaşım
Özniteliklerin çıkarılması
Sesten ilham alan bu katsayılara dayalı olarak hedefleri tanımlayacak otomatik hedef tanıma sistemleri oluşturmak için konuşma tanımada kullanılan ses özellikleri ile ilgili çalışmalar yapılmıştır. Bu katsayılar şunları içermektedir:
- Doğrusal öngörücü kodlama (Linear predictive coding; LPC) katsayıları
- Cepstral doğrusal öngörücü kodlama (Cepstral linear predictive coding ; LPCC) katsayıları
- Mel frekansı cepstral katsayıları (Mel-frequency cepstral coefficients; MFCC).
Bu katsayıları elde etmek için temel bant sinyali işlenir, ardından veritabanındaki hangi hedefin elde edilen katsayılara en çok benzediğine karar vermek için istatistiksel bir süreç kullanılır. Hangi özelliklerin ve hangi karar şemasının kullanılacağının seçimi sisteme ve uygulamaya bağlıdır.
Bir hedefi sınıflandırmak için kullanılan özellikler, konuşmadan ilham alan katsayılarla sınırlı değildir. ATR'yi gerçekleştirmek için çok çeşitli özellikler ve algılama algoritmaları kullanılabilir.
Algılama algoritmaları
Hedeflerin tespitinin otomatik hale getirilmesi için bir eğitim veri tabanının oluşturulması gerekmektedir. Bu genellikle hedef bilindiğinde toplanan deneysel veriler kullanılarak yapılır ve daha sonra ATR algoritması tarafından kullanılmak üzere saklanmaktadır.
Akış şemasında bir algılama algoritması örneği gösterilmektedir. Bu yöntem, M veri bloklarını kullanır, her birinden istenen özellikleri (yani LPC katsayıları, MFCC) çıkarır ve ardından bunları bir Gauss karışım modeli (Gaussian mixture model ; GMM) kullanarak modeller. Toplanan veriler kullanılarak bir model elde edildikten sonra eğitim veri tabanında yer alan her bir hedef için koşullu olasılık oluşturulur. Bu örnekte, M veri bloğu vardır. Bu, veri tabanındaki her hedef için M olasılık koleksiyonu ile sonuçlanır. Bu olasılıklar, hedefin maksimum olabilirlik kararını kullanarak ne olduğunu belirlemek için kullanılır. Bu yöntemin araç tiplerini (örneğin tekerlekli ve paletli araçlar) ayırt edebildiği ve hatta başarı olasılığı yüksek olan üç kişiye kadar kaç kişinin bulunduğuna karar verebildiği gösterilmiştir.
CNN Tabanlı Hedef Tanıma
Evrişimli sinir ağı (Convolutional neural network; CNN) tabanlı hedef tanıma, geleneksel yöntemlerden daha iyi performans gösterebilir. Sentetik görüntülerle eğitimden sonra gerçek sahnelerin kızılötesi görüntülerinde hedeflerin (yani muharebe tanklarının) tanınmasında yararlı olduğu kanıtlanmıştır. Çünkü bu hedeflerin gerçek görüntüleri çok azdır. Eğitim setinin sınırlaması nedeniyle, gerçek sahneler test setini tanımak söz konusu olduğunda, sentetik görüntülerin ne kadar gerçekçi olduğu çok önemlidir.
Genel CNN ağ yapısı, çıktı olarak 7 evrişim katmanı, 3 maksimum havuzlama (pooling) katmanı ve bir softmax katmanı içerir. Maksimum havuzlama katmanları, ikinci, dördüncü ve beşinci evrişim katmanından sonra yer alır. Çıktıdan önce bir global ortalama havuzlama da uygulanır. Tüm evrişim katmanları, Leaky ReLU doğrusal olmayan etkinleştirme işlevini kullanır.
Kaynakça
- ^ Chen, Victor C. (2011). The Micro-doppler effect in radar. Boston: Artech House. ISBN . OCLC 706118851.
- ^ Chen, V. (February 2011). Micro-Doppler Effect in Radar. Norwood, MA: Artec House. pp. 21–28. ISBN 9781608070589.
- ^ Bilik, I.; Tabrikian, J. (January 2006). "GMM-Based target classification for ground surveillance doppler radar". IEEE Transactions on Aerospace and Electronic Systems. 42 (1): 267–277. doi:10.1109/TAES.2006.1603422.
- ^ Yoon, Seok Pil; Song, Taek Lyul; Kim, Tae Han (2013-02-01). "Automatic target recognition and tracking in forward-looking infrared image sequences with a complex background". International Journal of Control, Automation and Systems. 11 (1): 21–32. doi:10.1007/s12555-011-0226-z. ISSN 2005-4092.
- ^ Venkataraman, Vijay; Fan, Guoliang; Yu, Liangjiang; Zhang, Xin; Liu, Weiguang; Havlicek, Joseph P. (2011-12-07). "Automated target tracking and recognition using coupled view and identity manifolds for shape representation". EURASIP Journal on Advances in Signal Processing. 2011 (1): 124. doi:10.1186/1687-6180-2011-124. ISSN 1687-6180.
- ^ d’Acremont, Antoine; Fablet, Ronan; Baussard, Alexandre; Quin, Guillaume (30 Nisan 2019). "CNN-Based Target Recognition and Identification for Infrared Imaging in Defense Systems". Sensors (İngilizce). 19 (9): 2040. doi:10.3390/s19092040. ISSN 1424-8220. 1 Kasım 2020 tarihinde kaynağından arşivlendi. Erişim tarihi: 18 Haziran 2021.
wikipedia, wiki, viki, vikipedia, oku, kitap, kütüphane, kütübhane, ara, ara bul, bul, herşey, ne arasanız burada,hikayeler, makale, kitaplar, öğren, wiki, bilgi, tarih, yukle, izle, telefon için, turk, türk, türkçe, turkce, nasıl yapılır, ne demek, nasıl, yapmak, yapılır, indir, ücretsiz, ücretsiz indir, bedava, bedava indir, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, resim, müzik, şarkı, film, film, oyun, oyunlar, mobil, cep telefonu, telefon, android, ios, apple, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, computer, bilgisayar
Otomatik hedef tanima Automatic target recognition ATR bir algoritmanin veya cihazin sensorlerden elde edilen verilere dayanarak hedefleri veya diger nesneleri tanima yetenegidir Hedef tanima ilk olarak radar tarafindan aydinlatilan hedefi siniflandirmak icin bu sesi desifre edecek egitimli bir operatorun alinan sinyalin sesli bir temsili kullanilarak yapildi Bu egitimli operatorler basarili olurken siniflandirmada daha fazla dogruluk ve hiz saglayan otomatik yontemler gelistirildi ve gelistirilmeye devam edilmektedir ATR kara ve hava araclari gibi insan yapimi nesnelerin yani sira hayvanlar insanlar ve bitkisel daginiklik gibi biyolojik hedefleri tanimlamak icin de kullanilmaktadir Bu bir savas alanindaki bir nesneyi tanimaktan Doppler hava radarindaki buyuk kus surulerinin neden oldugu parazitleri filtrelemeye kadar her sey icin faydali olabilmektedir Olasi askeri uygulamalar gibi basit bir tanimlama sistemini icermektedir Ayrica insansiz hava araclari ve seyir fuzeleri gibi diger uygulamalarda kullanilmaktadir ATR nin yerel uygulamalar icin de kullanilmasina giderek daha fazla onem verilmistir Sinir guvenligi metro hattindaki nesneleri veya insanlari tanimlamak icin guvenlik sistemleri otomatiklestirilmis araclar ve digerleri icin ATR nin kullanilmasina yonelik arastirmalar yapilmistir TarihceHedef tanima neredeyse radardan beri var olmustur Radar operatorleri yansiyan sinyal tarafindan alinan ses gosterimi araciligiyla dusman bombardiman ucaklarini ve savascilarini tanimlayacakti Ornegin II Dunya Savasi nda kullanilan radar teknikleri Hedef tanima temel bant sinyalinin operatore calinmasiyla yillarca yapilmistir Bu sinyali dinleyen egitimli radar operatorleri aydinlatilan hedef hakkinda aracin turu hedefin boyutu gibi cesitli bilgileri tanimlayabilir ve potansiyel olarak biyolojik hedefleri bile ayirt edebilmektedir Ancak bu yaklasimin bircok sinirlamasi vardir Operator her bir hedefin nasil ses cikaracagi konusunda egitilmelidir Eger hedef yuksek hizda hareket ediyorsa artik duyulamayabilir ve bu durum hata olasiligini yukseltir Bununla birlikte sinyali sesli olarak temsil etme fikri hedeflerin otomatik olarak siniflandirilmasi icin bir temel saglamistir Gelistirilen cesitli siniflandirma semalari konusma tanima gibi diger ses uygulamalarinda kullanilan temel bant sinyalinin ozelliklerini kullanmaktadir Genel bakisMikro Doppler Etkisi Radar iletilen sinyalin bu sinyal tarafindan aydinlatilan hedeften geri donmesinin ne kadar surdugunu hesaplayarak bir nesnenin uzakligini belirler Bu nesne sabit olmadiginda Doppler etkisi olarak bilinen frekansta bir kaymaya neden olur Tum nesnenin oteleme hareketine ek olarak nesnenin titresmesi veya donmesi frekansta ek bir kaymaya neden olabilir Bu oldugunda Doppler kaydirilmis sinyal module edilir Sinyalin modulasyonuna neden olan bu ek Doppler etkisi mikro Doppler etkisi olarak bilinir Bu modulasyon ATR icin algoritmalarin gelistirilmesine izin verecek belirli bir desene veya imzaya sahip olabilir Mikro Doppler etkisi hedefin hareketine bagli olarak zamanla degisecek ayrica zaman ve frekans degisen bir sinyale neden olacaktir Zaman frekans analizi Fourier donusumu zamanla degisen bileseni hesaba katamadigi icin bu sinyalin Fourier donusumu analizi yeterli degildir Frekans ve zamanin bir fonksiyonunu elde etmenin en basit yontemi kisa zamanli Fourier donusumunu short time Fourier transform STFT kullanmaktir Ancak Gabor donusumu veya Wigner dagitim fonksiyonu gibi daha saglam yontemler frekans ve zaman alaninin eszamanli bir temsilini saglamak icin kullanilabilir Ancak tum bu yontemlerde frekans cozunurlugu ile zaman cozunurlugu arasinda bir degis tokus olacaktir Tespit etme Bulunan spektral bilgi cikarildiktan sonra sistemin tanimlayacagi hedefler hakkinda bilgi iceren mevcut bir veritabani ile karsilastirilabilir ve aydinlatilan hedefin ne olduguna karar verilebilir Bu alinan sinyalin modellenmesi ve ardindan kutuphanedeki hangi hedefin alinan sinyal kullanilarak olusturulan modele en uygun olduguna karar vermek icin maksimum olabilirlik maximum likelihood ML cogunluk oylamasi majority voting MV veya maksimum a posteriori maximum a posteriori MAP gibi istatistiksel bir tahmin yontemi kullanilarak yapilir YaklasimOzniteliklerin cikarilmasi Sesten ilham alan bu katsayilara dayali olarak hedefleri tanimlayacak otomatik hedef tanima sistemleri olusturmak icin konusma tanimada kullanilan ses ozellikleri ile ilgili calismalar yapilmistir Bu katsayilar sunlari icermektedir Dogrusal ongorucu kodlama Linear predictive coding LPC katsayilari Cepstral dogrusal ongorucu kodlama Cepstral linear predictive coding LPCC katsayilari Mel frekansi cepstral katsayilari Mel frequency cepstral coefficients MFCC Bu katsayilari elde etmek icin temel bant sinyali islenir ardindan veritabanindaki hangi hedefin elde edilen katsayilara en cok benzedigine karar vermek icin istatistiksel bir surec kullanilir Hangi ozelliklerin ve hangi karar semasinin kullanilacaginin secimi sisteme ve uygulamaya baglidir Bir hedefi siniflandirmak icin kullanilan ozellikler konusmadan ilham alan katsayilarla sinirli degildir ATR yi gerceklestirmek icin cok cesitli ozellikler ve algilama algoritmalari kullanilabilir Algilama algoritmalari Hedeflerin tespitinin otomatik hale getirilmesi icin bir egitim veri tabaninin olusturulmasi gerekmektedir Bu genellikle hedef bilindiginde toplanan deneysel veriler kullanilarak yapilir ve daha sonra ATR algoritmasi tarafindan kullanilmak uzere saklanmaktadir Cepstrum Ozelliklerini ve GMM yi Kullanan ATR Akis semasinda bir algilama algoritmasi ornegi gosterilmektedir Bu yontem M veri bloklarini kullanir her birinden istenen ozellikleri yani LPC katsayilari MFCC cikarir ve ardindan bunlari bir Gauss karisim modeli Gaussian mixture model GMM kullanarak modeller Toplanan veriler kullanilarak bir model elde edildikten sonra egitim veri tabaninda yer alan her bir hedef icin kosullu olasilik olusturulur Bu ornekte M veri blogu vardir Bu veri tabanindaki her hedef icin M olasilik koleksiyonu ile sonuclanir Bu olasiliklar hedefin maksimum olabilirlik kararini kullanarak ne oldugunu belirlemek icin kullanilir Bu yontemin arac tiplerini ornegin tekerlekli ve paletli araclar ayirt edebildigi ve hatta basari olasiligi yuksek olan uc kisiye kadar kac kisinin bulunduguna karar verebildigi gosterilmistir CNN Tabanli Hedef Tanima Evrisimli sinir agi Convolutional neural network CNN tabanli hedef tanima geleneksel yontemlerden daha iyi performans gosterebilir Sentetik goruntulerle egitimden sonra gercek sahnelerin kizilotesi goruntulerinde hedeflerin yani muharebe tanklarinin taninmasinda yararli oldugu kanitlanmistir Cunku bu hedeflerin gercek goruntuleri cok azdir Egitim setinin sinirlamasi nedeniyle gercek sahneler test setini tanimak soz konusu oldugunda sentetik goruntulerin ne kadar gercekci oldugu cok onemlidir Genel CNN ag yapisi cikti olarak 7 evrisim katmani 3 maksimum havuzlama pooling katmani ve bir softmax katmani icerir Maksimum havuzlama katmanlari ikinci dorduncu ve besinci evrisim katmanindan sonra yer alir Ciktidan once bir global ortalama havuzlama da uygulanir Tum evrisim katmanlari Leaky ReLU dogrusal olmayan etkinlestirme islevini kullanir Kaynakca Chen Victor C 2011 The Micro doppler effect in radar Boston Artech House ISBN 978 1 60807 058 9 OCLC 706118851 Chen V February 2011 Micro Doppler Effect in Radar Norwood MA Artec House pp 21 28 ISBN 9781608070589 Bilik I Tabrikian J January 2006 GMM Based target classification for ground surveillance doppler radar IEEE Transactions on Aerospace and Electronic Systems 42 1 267 277 doi 10 1109 TAES 2006 1603422 Yoon Seok Pil Song Taek Lyul Kim Tae Han 2013 02 01 Automatic target recognition and tracking in forward looking infrared image sequences with a complex background International Journal of Control Automation and Systems 11 1 21 32 doi 10 1007 s12555 011 0226 z ISSN 2005 4092 Venkataraman Vijay Fan Guoliang Yu Liangjiang Zhang Xin Liu Weiguang Havlicek Joseph P 2011 12 07 Automated target tracking and recognition using coupled view and identity manifolds for shape representation EURASIP Journal on Advances in Signal Processing 2011 1 124 doi 10 1186 1687 6180 2011 124 ISSN 1687 6180 d Acremont Antoine Fablet Ronan Baussard Alexandre Quin Guillaume 30 Nisan 2019 CNN Based Target Recognition and Identification for Infrared Imaging in Defense Systems Sensors Ingilizce 19 9 2040 doi 10 3390 s19092040 ISSN 1424 8220 1 Kasim 2020 tarihinde kaynagindan arsivlendi Erisim tarihi 18 Haziran 2021