Detecção e seguimento de objectos utilizando ondas de rádio As ondas de rádio desempenham um papel importante na segurança, na aviação e na vigilância modernas, embora a sua eficácia seja frequentemente desafiada pela desordem ambiental. Uma equipe de pesquisadores da Northwestern University e do Instituto de Tecnologia de Rádio Espacial de Xi’an, na China, liderada pelo professor Cai Wen, desenvolveu uma abordagem inovadora para melhorar a detecção de alvos móveis por radar. Seu estudo, publicado na revista Remote Sensing, revisada por pares, apresenta uma rede de detecção inovadora que usa uma abordagem de aprendizagem assistida por IA que se adapta rapidamente a novas situações e um método de aprimoramento de atenção para melhorar a detecção.
Os sistemas de radar tradicionais têm dificuldade em detectar alvos em movimento em ambientes complexos devido aos ecos de interferência fortes e heterogêneos, reflexos de objetos não-alvo que dificultam a identificação de alvos em movimento reais. Isto torna difícil distinguir sinais fracos de ruído de fundo. Para resolver este problema, a equipe de pesquisa propôs uma rede de detecção que primeiro passa por treinamento offline usando dados de radar simulados, reduzindo a necessidade de treinamento online extensivo. Uma pequena quantidade de dados em tempo real, ou seja, informações em tempo real e constantemente atualizadas, é então usada para ajustar a rede, garantindo que ela se adapte às condições do mundo real. “O uso de aprendizagem por transferência de pequenas amostras permite que o sistema se ajuste rapidamente a novos ambientes desordenados, mantendo alta precisão de detecção”, explicou o professor Wen.
Uma inovação importante neste estudo é a integração de um mecanismo de atenção que ajuda a focar nas partes mais importantes do sinal de radar para melhorar a detecção em um campo específico de dados de radar para ajudar a analisar padrões de movimento. Este mecanismo permite que a rede priorize recursos essenciais, melhorando sua capacidade de distinguir entre alvos móveis e confusão de fundo. A equipa de investigação conduziu extensas simulações para validar a sua abordagem, demonstrando que mesmo em situações em que os sinais alvo são muito fracos em comparação com o ruído de fundo, o mecanismo de atenção melhora significativamente a supressão de interferências, uma técnica utilizada para reduzir a interferência de sinais indesejados. “O mecanismo de foco melhora a precisão da classificação, melhora a capacidade do sistema de identificar corretamente os alvos e permite que o sistema encontre alvos de forma mais eficaz, mesmo em situações desafiadoras”, disse o professor Wen.
Em comparação com os métodos convencionais, a rede proposta reduz a quantidade de poder de processamento necessário, que é o poder de computação necessário para lidar rapidamente com grandes quantidades de dados, mantendo um forte desempenho de detecção. As técnicas tradicionais de processamento adaptativo espaço-temporal requerem um grande número de amostras de treinamento independentes, que muitas vezes não estão disponíveis em ambientes heterogêneos e imprevisíveis. A nova abordagem reduz a dependência desses modelos, tornando a detecção em tempo real, a capacidade de identificar instantaneamente alvos em movimento sem demora, mais viável para sistemas de radar aéreos e espaciais.
As descobertas deste estudo abrem caminho para sistemas de detecção de radar mais eficientes e confiáveis, com aplicações potenciais em defesa, aviação e sensoriamento remoto. Ao combinar a aprendizagem por transferência de pequenas amostras com mecanismos de atenção, esta abordagem fornece uma alternativa poderosa aos métodos de detecção existentes. A pesquisa futura pode se concentrar no desenvolvimento adicional da rede para implantação no mundo real e na expansão de suas capacidades para diferentes plataformas de radar.
Nota de diário
Zhu J., Wen C., Duan C., Wang W., Yang X. “Detecção de alvo móvel por radar com base no aprendizado de transferência de pequenos modelos e mecanismo de foco.” Sensoriamento Remoto, 2024; 16: 4325. DOI: https://doi.org/10.3390/rs16224325
Sobre o autor
Professor Cai Wen Ele recebeu o diploma de bacharel pela Escola de Engenharia Eletrônica da Universidade Xidian em julho de 2009, e o doutorado em engenharia pelo Laboratório Nacional Chave de Processamento de Sinais de Radar da Universidade Xidian em dezembro de 2014. De novembro de 2019 a março de 2023, trabalhou como pós-doutorado no Departamento de Engenharia E-Commp e no Departamento de Ciência da Computação. Universidade no Canadá. Desde novembro de 2016, ele é professor assistente na Escola de Ciência e Tecnologia da Informação da Northwestern University e foi promovido a professor associado por exceção em 2019.
Liderou mais de 10 projetos a nível nacional e provincial, incluindo a Fundação Nacional de Ciências Naturais da China e vários projetos industriais. Ele também participou de vários projetos de pesquisa, como o Programa de Pesquisa Avançada de Defesa Nacional, o Programa Nacional de Pesquisa Básica (Programa 973) e o Programa Nacional de Pesquisa e Desenvolvimento Chave. Ele publicou mais de 80 artigos codificados em SCI/EI nas principais revistas e conferências acadêmicas internacionais, incluindo IEEE TSP, IEEE TAES e IEEE TGRS. Destas publicações, cinco artigos são altamente citados pela ESI e três são IEEE Transactions on Hot Papers. Ele é autor de três monografias acadêmicas e possui mais de 10 patentes de invenção aprovadas.
O Professor Cai Wen atuou como presidente de sessão e membro do TPC em diversas conferências internacionais de prestígio e atuou como revisor e líder de painel em vários projetos nacionais. Atualmente atua como membro do conselho editorial da Universidade Naval Aeronáutica e Astronáutica e da revista Modern Radar. Ele também é membro sênior da China Electronics Company e da China Radar Industry Association. Ele recebeu o “Programa de Intercâmbio Internacional de Pós-Doutorado” chinês e o “Programa de Apoio a Jovens Talentos Acadêmicos” da Northwestern University. Os seus interesses de investigação centram-se no processamento de sinais de radar, detecção e comunicação integradas (ISAC) e inteligência artificial (IA).
