| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.87 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
O radar de abertura sintética (SAR) ´e um radar ativo montado em uma plataforma em movimento, que simula um comprimento de antena maior do que o comprimento real da antena física. De forma semelhante ao radar convencional, ondas eletromagnéticas são transmitidas sequencialmente e os ecos são coletados pelo radar. Com o devido processamento de sinal, este tipo de sistema ´e capaz de fornecer imagens de micro-ondas de alta resolução de uma área-alvo desejada, em praticamente todas as condições meteorológicas. Atualmente, os sistemas SAR tem sido amplamente utilizados para a deteção remota possuindo várias aplicações, como observação da superfície terrestre, cartografia e aplicações militares. Dado que ´e independente do clima e pode operar tanto de dia quanto de noite, o SAR pode ser uma fonte mais confiável quando comparado com imagens ´óticas [1]. A deteção e reconhecimento de navios em imagens SAR tornou-se um tópico importante de pesquisa nos últimos anos. Esta tese apresenta um algoritmo computacionalmente eficiente para a classificação de embarcações em imagens de SAR usando Redes Neuronais com um número reduzido de camadas, também conhecidas como shallow neural networks. A utilização de shallow networks para a classificação de embarcações será dividida em duas etapas: extração de características e classificação. A extração de características tem como objetivo reduzir a carga computacional que as deep neural networks causam nos recursos computacionais, extraindo antecipadamente características-chave da imagem SAR. Os baixos requisitos computacionais tornam esta implementação compatível com sistemas a bordo de navios e aplicações em tempo real. A classificação ´e realizada usando uma rede neural com um número reduzido de camadas, que utiliza parâmetros obtidos a partir de algoritmos de extração de características para classificar a embarcação presente na imagem de radar. O processo de extração de características processa dados do conjunto de dados Open SAR ship [2] para obter várias características da embarcação, como comprimento, largura, média, desvio padrão e o número de pontos de dispersão presentes na embarcação.
Synthetic aperture radar (SAR) is an active radar that is mounted on a moving platform, simulating a longer antenna length than the physical antenna real length. Similar to a conventional radar, electromagnetic waves are sequentially transmitted and the backscattered echoes are collected by the radar. With the proper signal processing, this kind of system is able to provide high resolution microwave images of a desired target area by synthesising a larger antenna aperture, in virtually all-weather conditions. Nowadays SAR systems have been extensively used for remote sensing. It has various applications such as Earth surface monitoring, charting and militar applications. Since it is weather independent and is able to operate whether it is day or night, SAR can be a more reliable source when compared with optical imagery [1]. Ship detection and recognition in SAR images has become an importante topic in research in recent years. This thesis presents a computationally eficiente algorithm for the classification of vessels in SAR images using Neural Networks (NN) with a reduced number of hidden layers, also called Shallow Neural Networks (SNN). Herein the use of SNN for vessel classification will be divided into two main steps: feature extraction and classification. Feature extraction aims to lessen the burden deep neural networks cause on computational resources by extracting key features beforehand from the SAR image. The low computational requirements make this implementation compatible with onboard vessel systems and real time applications. The classification is implemented using a SNN that uses parameters obtained from feature extraction algorithms to classify the vessel present in the radar image. In this thesis feature extraction processes data from the Open SAR Ship dataset [2] in order to obtain the vessel’s various features, such as ship length, width, mean, standard deviation and the number of scatter points present on the vessel.
Synthetic aperture radar (SAR) is an active radar that is mounted on a moving platform, simulating a longer antenna length than the physical antenna real length. Similar to a conventional radar, electromagnetic waves are sequentially transmitted and the backscattered echoes are collected by the radar. With the proper signal processing, this kind of system is able to provide high resolution microwave images of a desired target area by synthesising a larger antenna aperture, in virtually all-weather conditions. Nowadays SAR systems have been extensively used for remote sensing. It has various applications such as Earth surface monitoring, charting and militar applications. Since it is weather independent and is able to operate whether it is day or night, SAR can be a more reliable source when compared with optical imagery [1]. Ship detection and recognition in SAR images has become an importante topic in research in recent years. This thesis presents a computationally eficiente algorithm for the classification of vessels in SAR images using Neural Networks (NN) with a reduced number of hidden layers, also called Shallow Neural Networks (SNN). Herein the use of SNN for vessel classification will be divided into two main steps: feature extraction and classification. Feature extraction aims to lessen the burden deep neural networks cause on computational resources by extracting key features beforehand from the SAR image. The low computational requirements make this implementation compatible with onboard vessel systems and real time applications. The classification is implemented using a SNN that uses parameters obtained from feature extraction algorithms to classify the vessel present in the radar image. In this thesis feature extraction processes data from the Open SAR Ship dataset [2] in order to obtain the vessel’s various features, such as ship length, width, mean, standard deviation and the number of scatter points present on the vessel.
Description
Keywords
Radar de abertura sintética Redes neuronais Classificação de embarcações Processamento de imagens SAR Vessel classification Synthetic Aperture Radar Neural networks
Citation
Campos, Álvaro Henrique Gomes- Computationally efficient vessel classification using shallow neural networks on SAR data. Lisboa: Instituto Superior de Engenharia de Lisboa, 2023. Dissertação de Mestrado