Adversarial domain adaptation for radar pulse data : Bridging the sim-to-real gap by learning domain-specific transformations

Abstract

Syväoppimismenetelmien suosio on kasvanut tutkan signaalinkäsittelyssä, kuten vastaanotettujen tutkalähetysten erottelussa sekä luokittelussa. Yleinen haasten menetelmien kehityksessä on ollut luokitellun datan vähäisyys, mikä on johtanut simuloidun data yleistyneeseen käyttöön mallien koulutuksessa. Simuloidun ja todellisen datan välinen kuilu voi heikentää simuloidulla datalla koulutettujen mallien suorituskykyä oikeissa ympäristöissä. Kuilun kaventaminen manuaalisilla menetelmillä vaatii datan perusteellista analyysiä, minkä jälkeen data ei vieläkään välttämättä mallinna oikean data monimutkaisuutta, mikä motivoi automaattisten ja ketterämpien menetelmien kehittämistä.

Tässä diplomityössä esitellään generatiiviseen malliin perustuva automaattinen menetelmä, joka huomioi datan ympäristöriippuvuudet. Menetelmässä koulutetaan generatiivinen malli valitsemaan optimaalinen sarja funktioita, jotka muovaavat simuloidun datan tilastollisesti lähemmäs todellisen datan jakaumaa. Samanaikaisesti menetelmässä koulutetaan malli luokittelemaan simuloituja ja todellisia otoksia, palautteen antamiseksi generatiiviselle mallille sen valinnoista. Esitellyn menetelmän laatua arvioidaan luokittelupohjaisella kahden otoksen testillä, joka mittaa simuloidun ja todellisen datan välisen kuilun laajuutta luokittelutarkkuuden avulla.

Luokittelutulokseksi ilman datan muovaamista saatiin \(100\:\%\), mikä osoittaa merkittävän kuilun simuloidun ja todellisen datan ominaisuuksien välillä. Opitun funktiosarjan käyttäminen laski luokittelutarkkuuden \(96\) prosenttiin, osoittaen datalähteiden välisen kuilun kaventuneen, mutta ei riittävästi, jotta esiteltyä menetelmää voitaisiin pitää käyttötarkoitukseensa riittävänä. Koulutusprosessi osoittautui erittäin epävakaaksi, minkä vuoksi menetelmää ei voida suositella nykyisessä muodossaan. Koulutuksen vakautta parantavia toimia sekä monipuolisempia funktioita voisi jatkossa kokeilla, menetelmän parantamiseksi. Myös vaihtoehtoisia automaattisia lähestymistapoja datalähteiden välisen kuilun kaventamiseen on syytä tutkia.