Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Cognitive Radio Interference Modeling and Application on Fading Channels Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

18. Sub-dictionary Based Joint Sparse Representation for Multi-aspect SAR Automatic Target Recognition

verfasst von : Liyuan Xu, Zongjie Cao

Erschienen in: The Proceedings of the Third International Conference on Communications, Signal Processing, and Systems

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Joint sparse representation (JSR) is mostly used in face recognition area. While in this paper, JSR is adopted in the area of SAR automatic target recognition (ATR). In our method, the whole training dictionary is divided into several sub-dictionaries, according to the label of training samples. And classification is based on the minimum representation error criterion. Independent and identically distributed (IID) Gaussian random projection is used to extract feature of SAR images. Experiments are carried out on moving and stationary target acquisition and recognition (MSTAR) public database. Experiments results show that recognition rates can be improved by our method, by combining more useful information and reducing interference information of target.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Feature Fusion-Based Visual Attention Method for Target Detection in SAR Images
Nächstes Kapitel Target Detection Performance Analysis of SAR Image with Different Resolutions Based on Template Matching
Literatur
1.
Sun Y et al (2007) Adaptive boosting for SAR automatic target recognition. IEEE Trans Aerospace Electronic Syst 43:112–125CrossRef
2.
Principe JC, Xu D, Fisher III JW (1998) Pose estimation in SAR using an information theoretic criterion. In: Proceeding of SPIE, vol 3370. pp 218–229
3.
Vespe M, Baker CJ, Griffiths HD (2005) Multi-perspective target classification. In: IEEE International radar conference, pp 877–882
4.
Huan R, Pan Y (2011) Decision fusion strategies for SAR image target recognition. Radar, Sonar Navigation, IET 5:747–755CrossRef
5.
Huan R et al (2010) SAR target recognition with data fusion. In: WASE International Conference on Information Engineering (ICE), date 14–15, vol 2. pp 19–23
6.
Cui Z, Cao Z, Fan Y, Zhang Qi (2012) SAR automatic target recognition using a hierarchical multi-feature fusion strategy. In: Globecom workshops (GC Wkshps), pp 1450–1454
7.
Zhang H, Nasrabad NM, Zhang Y, Huang TS (2012) Multi-view automatic target recognition using joint sparse representation. IEEE Trans Aerospace Electronic Syst 48:2481–2497CrossRef
8.
Wright J et al (2010) Sparse representation for computer vision and pattern recognition. In: Proceedings of the IEEE–special issue on applications of sparse representation & compressive sensing, vol 98. pp 1031–1044
9.
Donoho DL (2004) For most large underdetermined systems of linear equations the minimal l1-norm solution is also the sparsest solution. Commun Pure Appl Math 59:797–829MathSciNetCrossRef
10.
Tropp JA, Gilbert AC, Strauss MJ. (2006) Algorithms for simultaneous sparse approximation. EURASIP J Appl Sign Proc 83(3):589–602
11.
Wright J, Yang AY, Ganesh A, Sastry SS, Ma Y (2009) Pattern analysis and machine intelligence. IEEE Trans 31:210–227
12.
Yang AY et al (2007) Feature selection in face recognition: a sparse representation perspective. University of California Berkeley, Technical Report UCB/EECS-2007-99
13.
Martinez AM, Kak AC (2001) PCA versus LDA. IEEE Trans Pattern Anal Mach Intell 23(2):228–233CrossRef
14.
Changzhen Q, Hao R, Huanxin Z, Shilin Z (2009) Performance comparison of target classification in SAR images based on PCA and 2D-PCA features. In: Proceeding of 2009 2nd Asian-Pacific Conference on Synthetic Aper ture Radar (APSAR), pp 868–871
15.
Belhumeur PN, Hespanha JP, Kriegman DJ (2009) Eigenfaces vs. fisherfaces: recognition using class specific linear projection. IEEE Trans Pattern Anal Mach Intell 19(7):711–720CrossRef
16.
Lee DD, Seung HS (1999) Learning the parts of objects by non-negative matrix factorization. Nature 401:788–791CrossRef
17.
Nikolaus R (2007) Learning the par ts of objects using non-negative matrix factorization (Term Paper, MMER Team)
18.
Rakotomamonjy A (2010) Surveying and comparing simultaneous sparse approximation (or group lasso) algorithms. University of Rouen, France, Technical Report
Metadaten
Titel
Sub-dictionary Based Joint Sparse Representation for Multi-aspect SAR Automatic Target Recognition
verfasst von
Liyuan Xu
Zongjie Cao
Copyright-Jahr
2015
Buch
The Proceedings of the Third International Conference on Communications, Signal Processing, and Systems

Print ISBN: 978-3-319-08990-4

Electronic ISBN: 978-3-319-08991-1

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-08991-1_18

Neuer Inhalt

    Bildnachweise