Synthetic aperture radar imaging with deep neural networks

Sentetik açıklıklı radar (SAR), 1960'lardan beri kullanımda olan bir uzaktan görüntüleme yaklaşımıdır. Geleneksel SAR görüntü oluşturma yöntemi, görüntülenecek sahnenin yansıtma alanının 2B Fourier dönüşümü tabanlıdır. Bu geleneksel görüntü oluşturma yöntemi, temiz ve tam veri toplama senaryosu için geliştirilmiştir. Ancak, gerçekte toplanan veri, donanım kısıtları ve veri toplama geometrisindeki belirsizliklerden ötürü, altta yatan sahnenin ancak indirgenmiş bir temsilidir ve bunlar veri azaltımı ve faz hatalarına sebep olmaktadır. Bundan dolayı, bu kısıtları denkleştirme adına yıllar içinde düzenlileştirme kullanan birçok SAR görüntü oluşturma çerçeveleri önerilmiştir. Bu tezde, SAR görüntüleme problemine odaklanılmıştır ve görüntü oluşturma, faz hatası düzeltimi ve özdevimli hedef tanılama (ATR) için üç çerçeve geliştirilmiştir. İlk çerçeve, SAR görüntüleme problemi odaklıdır. Bu çerçevede SAR görüntüleme, düzenlileştirmeli bir eniyileme problemi olarak kurgulanmıştır ve tak-çalıştır (PnP) önseller çerçevesi kullanılarak, derin öğrenme tabanlı önseller kurgulamaya dahil edilmiştir. İkinci çerçeve, önerilen ilk çerçevenin görüntü oluşturmanın yanında faz hatalarını da gidermeyi amaçlayan bir uzantısıdır. Deneysel sonuçlar, önerilen iki çerçevenin görüntü oluşturma ve faz hatası gidermede, düşünülen betiklerin çoğunluğunda en iyi başarımları elde ettiğini göstermektedir. Önerilen üçüncü çerçeve ATR problemine odaklanmaktadır ve bu çerçevede ATR görevini görüntü uzayı yerine veri uzayında gerçekleştiren iki ATR yaklaşımı sunulmuştur. Deneysel sonuçlarla, ATR görevinin veri uzayında da başarılı bir şekilde gerçekleştirilebileceği gösterilmiş ve bu çerçevenin daha fazla geliştirilmesiyle, en iyi başarımlara ulaşılabilmesinin mümkün olduğu vurgulanmıştır. Sonuç olarak bu tezdeki çalışmalar, farklı SAR görüntüleme görevlerinde, derin öğrenme teknikleri kullanılarak sonuçların önemli ölçüde iyileştirilebileceğini göstermektedir.