Bài viết Đề xuất mạng nơ-ron học sâu ARTRNet cho bài toán tự động nhận dạng mục tiêu ra đa FMCW đề xuất một mạng nơ-ron học sâu (đặt tên là ARTRNet) có chức năng tự động nhận dạng mục tiêu ra đa dựa trên dấu hiệu đặc trưng diện tích phản xạ hiệu dụng và tần số Doppler của mục tiêu trong tín hiệu phản xạ.
Kỹ thuật điều khiển & Điện tử Đề xuất mạng nơ-ron học sâu ARTRNet cho toán tự động nhận dạng mục tiêu đa FMCW Nguyễn Văn Trà1*, Nguyễn Trường Sơn1, Nguyễn Hoàng Việt2 Viện Ra đa, Viện Khoa học Công nghệ quân sự; Nhà máy Z181, Tổng cục Cơng nghiệp Quốc phịng * Email: sinhvienaolinh2000@gmail.com Nhận bài: 02/8/2022; Hoàn thiện: 16/9/2022; Chấp nhận đăng: 12/12/2022; Xuất bản: 28/12/2022 DOI: https://doi.org/10.54939/1859-1043.j.mst.84.2022.24-31 TÓM TẮT Trong báo này, đề xuất mạng nơ-ron học sâu (đặt tên ARTRNet) có chức tự động nhận dạng mục tiêu đa dựa dấu hiệu đặc trưng diện tích phản xạ hiệu dụng tần số Doppler mục tiêu tín hiệu phản xạ Dữ liệu thô đầu vào mạng nơ-ron ARTRNet định dạng 3D với thông tin cự ly – phương vị – tần Tác giả đề xuất cải tiến hàm mát trình huấn luyện mạng nơ-ron giúp nâng cao hiệu nhận dạng mục tiêu mô hình Từ khóa: FMCW; Radar; Range; Azimuth; Doppler; Object detection; Deep learning ĐẶT VẤN ĐỀ Ra đa điều tần tuyến tính liên tục (FMCW: Frequency Modulated Continuous Wave) sử dụng rộng rãi ứng dụng dân lĩnh vực anh ninh, quốc phòng [1] Phát tự động nhận dạng mục tiêu đa (RATR: Radar Automatic Target Recognition) hai lĩnh vực nghiên cứu lĩnh vực xử lý tín hiệu đa đại [2] Chức nhận dạng mục tiêu đa đóng vai trị quan trọng tác chiến thực tế Thông qua chức này, kiểu loại mục tiêu bổ sung vào thông tin mục tiêu bên cạnh tham số cự ly, phương vị, tốc độ hướng di chuyển góp phần hỗ trợ cho hoạt động tác chiến Gần đây, nghiên cứu áp dụng mạng nơ-ron nhân tạo cho toán nhận dạng mục tiêu đa thu hút quan tâm từ cộng đồng nghiên cứu [2] Với phát triển mạnh mẽ thuật tốn trí tuệ nhân tạo (AI: Artificial Intelligence) công nghệ sản xuất chip điện tử tạo điều kiện giải tốn phức tạp mà trước khơng thể giải phương pháp truyền thống, có toán tự động nhận dạng mục tiêu đa Việc áp dụng trí tuệ nhân tạo tốn phát tự động nhận dạng mục tiêu đa hướng phù hợp với xu hướng phát triển khoa học công nghệ Nâng cao chất lượng mạng nơ-ron q trình giải tốn làm tăng xác, giảm thời gian tính tốn giảm số lượng tham số mơ hình Để giải vấn đề này, nhà nghiên cứu tập trung vào số hướng nghiên cứu như: lựa chọn tham số đặc trưng tín hiệu đa để tiến hành nhận dạng [4], tối ưu hóa mơ đun trích xuất đặc trưng (backbone) [5, 6], tối ưu hóa mô đun phát phân vùng vật thể (detection head) [7], tối ưu hóa hàm mát [8, 9] Trong báo này, tập trung nghiên cứu lý thuyết nhận dạng mục tiêu đa, đề xuất mạng nơ-ron học sâu có chức tự động nhận dạng mục tiêu đa Bên cạnh đó, đề xuất cải tiến hàm mát sử dụng trình huấn để nâng cao hiệu nhận dạng mục tiêu mạng nơ-ron đề xuất Dữ liệu đa sử dụng để tiến hành huấn luyện kiểm tra mạng nơ-ron liệu thô sau tuyến xử lý số sơ đa FMCW Dữ liệu đa bao gồm thông tin: cự ly, phương vị tốc độ mục tiêu đóng gói dạng 3D thể hai trục tọa độ cự ly – phương vị cự ly – tần số Trong nội dung báo, đề xuất cải tiến hàm mát sử dụng 24 N V Trà, N T Sơn, N H Việt, “Đề xuất mạng nơ-ron … nhận dạng mục tiêu đa FMCW.” Nghiên cứu khoa học cơng nghệ trình huấn luyện mạng nơ-ron toán phát vật thể (Object Detection) nhằm nâng cao hiệu nhận dạng mục tiêu mơ hình đề xuất Nội dung báo trình bày theo bố cục sau Phần mô tả lý thuyết nhận dạng mục tiêu đa, hàm mát sở đánh giá hiệu mạng nơ-ron giải toán nhận dạng mục tiêu Phần trình bày cấu trúc mạng nơ-ron ARTRNet đề xuất Nội dung kết nhận dạng thảo luận trình bày phần Cuối cùng, phần trình bày kết luận hướng phát triển báo CƠ SỞ LÝ THUYẾT 2.1 Lý thuyết nhận dạng mục tiêu đa Mỗi kiểu loại mục tiêu đa thường có đặc trưng riêng biệt, đặc trưng thể tín hiệu phản xạ từ mục tiêu đa Dựa vào khác tín hiệu phản xạ mục tiêu mà nhận dạng mục tiêu tiến hành phân loại nhận dạng Các đặc trưng tín hiệu phản xạ như: diện tích phản xạ hiệu dụng (RCS: Radar Cross Section), tần số Doppler, micro-Doppler thông tin pha dấu hiệu thường sử dụng để tiến hành nhận dạng mục tiêu [4] Diện tích phản xạ hiệu dụng đa định nghĩa diện tích xạ tương đương, phản xạ tất lượng truyền đến tạo nên điểm thu mật độ dịng cơng suất mục tiêu thực RCS đặc tính đặc biệt quan trọng để xây dựng mơ hình tín hiệu phản xạ từ mục tiêu, mơ tả khái quát công thức (1).Với đài đa có độ phân giải cao cự ly (HRRP: High Resolution Range Profile), thơng tin tín hiệu phản xạ từ mục tiêu biểu diễn miền biên độ - thời gian hay đặc trưng phổ biểu diễn miền tần số - thời gian thông qua phép biến đổi STFT (Short-time Fourier Transform) mang đặc trưng diện tích phản xạ hiệu dụng mục tiêu sở thực tốn phân loại mục tiêu [2, 10] Trên hình ví dụ tín hiệu phản xạ từ mục tiêu đài đa có độ phân giải cao cự ly Mỗi kiểu loại mục tiêu có ảnh chân dung biên độ - thời gian riêng, khác đặc trưng tín hiệu sở để mạng nơ-ron tiến hành phân loại lim4 R R Es Ei 2 (1) Trong đó: R cự ly đa mục tiêu, Es độ lớn trường tán xạ điện từ đa, Ei độ lớn trường chiếu xạ điện từ mục tiêu Hình Tín hiệu phản xạ từ mục tiêu của đa có độ phân giải cao cự ly Dấu hiệu độ dịch tần số Doppler, micro-Doppler tín hiệu phản xạ từ mục tiêu nhân tố quan trọng sử dụng để nhận dạng mục tiêu đa [11, 12] Với mục tiêu chuyển động, thành phần chuyển động tịnh tiến mục tiêu, thành phần chuyển động khác gây nên thành phần micro-Doppler Ví dụ, với mục tiêu người bộ, di chuyển Tạp chí Nghiên cứu KH&CN quân sự, Số 84, 12 - 2022 25 Kỹ thuật điều khiển & Điện tử cánh tay, bước chân, lắc đầu hình thành tần số micro-Doppler Trên hình mơ tả kết phân tích dấu hiệu độ dịch tần micro-Doppler kiểu loại mục tiêu: người xe đạp, người bộ, xe ô tô thông qua phép biến đổi STFT Giá trị tần số Doppler, micro-Doppler tạo chuyển động mục tiêu thể qua công thức (2) f 2v.cos( ) Trong đó: ƒ tần số Doppler, v vận tốc mục tiêu, mục tiêu trục búp sóng chính, (2) góc hướng chuyển động bước sóng tín hiệu phát Hình Phân tích dấu hiệu độ dịch tần số micro-Doppler qua phép biến đổi STFT (hình bên trái kết phân tích tín hiệu mục tiêu người xe đạp, hình mục tiêu người bộ, hình bên phải mục tiêu xe ô tô) Thông tin pha tham số quan trọng sử dụng để tiến hành nhận dạng mục tiêu Trong cơng trình [13], nhóm tác giả tiến hành phân loại mục tiêu người phương tiện giới đa điều tần tuyến tính liên tục dựa vào độ lệch pha tín hiệu nhận chấn tử anten thu 2.2 Hàm mát Mạng nơ-ron huấn luyện thơng qua sử dụng thuật tốn tối ưu để điều chỉnh hệ số trọng lượng theo quy luật điều chỉnh định (thường phương pháp Gradient Desent) Là phần thuật toán tối ưu, giá trị lỗi trạng thái mơ hình phải tính tốn cách liên tục Hàm mát (loss function) hàm tốn học để tính giá trị lỗi, từ giá trị lỗi thuật toán tối ưu tiến hành cập nhật lại trọng số mạng nơ-ron để đảm bảo giá trị lỗi giảm dần lần đánh giá Lựa chọn hàm mát phù hợp trình huấn luyện góp phần nâng cao hiệu cho mơ hình mạng nơ-ron học sâu Trong tốn phát vật thể, hàm mát thường tạo thành từ hai thành phần chính: lỗi phân loại (classification loss) lỗi xác định vị trí (localization loss) [14] Giá trị lỗi xác định vị trí LBox tính tốn theo [16], hàm Cross Entropy sử dụng để tính tốn lỗi phân loại vật thể LCls LTotal LBox LCls (3) Trong đó: LTotal : Lỗi tổng hợp mơ hình; LBox : Lỗi xác định vị trí; LCls : Lỗi phân loại vật thể 2.3 Cơ sở đánh giá hiệu mạng nơ-ron Chỉ số độ xác trung bình tất class mAP (Mean Average Precison) sử dụng để đánh giá hiệu mơ hình phát vật thể như: Fast R-CNN, YOLO (You Only Look One), Mask R-CNN, Trong cơng trình nghiên cứu này, chúng tơi sử dụng giá trị 26 N V Trà, N T Sơn, N H Việt, “Đề xuất mạng nơ-ron … nhận dạng mục tiêu đa FMCW.” Nghiên cứu khoa học công nghệ mAP sở để đánh giá hiệu nhận dạng mục tiêu mạng nơ-ron đề xuất Giá trị mAP tính theo cơng thức (4) mAP N APi N i 1 (4) Trong đó, giá trị độ xác trung bình (AP: Average Precison) tính tốn thơng qua tham số độ xác (precision) độ bao phủ (recall) thể công thức (5) AP k n 1 (Recall k 0 (k ) Recall( k 1) ) * Precision (k) (5) Các tham số precision recall tính thơng qua ma trận xáo trộn (cofusion matrix) số IoU (Intersection Over Union) Trong trình đánh giá hiệu mạng nơ-ron đề xuất báo, tác giả sử dụng giá trị ngưỡng IoU để tính tốn giá trị Recall Precision 0.3 MƠ HÌNH MẠNG NƠ-RON NHẬN DẠNG MỤC TIÊU RA ĐA 3.1 Vị trí vai trị mạng nơ-ron tuyến xử lý tín hiệu đa FMCW Vị trí mạng nơ-ron học sâu ARTRNet tuyến xử lý tín hiệu đa FMCW mơ tả hình Tín hiệu đầu máy thu qua lọc thơng thấp biến đổi tín hiệu tương tự sang số (ADC: Analog Digital Converter) đưa đến bộ xử lý sơ Tại đây, thông qua thuật tốn tính cự ly phương vị, liệu đầu đóng gói dạng ba chiều cự ly – phương vị – tần số tiếp tục đưa đến mạng nơ-ron ARTRNet để tiến hành nhận dạng Mạng nơ-ron học sâu ARTRNet đề xuất bao gồm hai phần chính: backbone có nhiệm vụ trích xuất đặc trưng detection head có nhiệm vụ phát hiện, xác định vị trí phân loại mục tiêu Mơ đun backbone mạng mạng mạng nơ-ron tích chập (CNN: Convolutional Neural Network) xây dựng tương tự mạng CNN ResNet [15] Bản đồ đặc trưng (feature map) trích xuất từ backbone đưa đến mơ đun detection head để phát hiện, xác định vị trí phân loại mục tiêu Detection head xây dựng theo nguyên lý phát vật thể bước (one-stage Detectors) theo cấu trúc mạng YOLO Tín hiệu giả video thông tin kiểu loại mục tiêu chuyển đến hiển thị hình giao diện người máy Hình Minh họa vị trí mơ đun tự động nhận dạng mục tiêu ARTRNet tuyến xử lý tín hiệu đa FMCW Tạp chí Nghiên cứu KH&CN quân sự, Số 84, 12 - 2022 27 Kỹ thuật điều khiển & Điện tử 3.2 Mạng nơ-ron đề xuất Trong nghiên cứu này, nhóm tác giả xây dựng mạng nơ-ron học sâu có chức tự động nhận dạng mục tiêu đa đặt tên ARTRNet, sơ đồ chức mạng nơ-ron ARTRNet thể hình Dữ liệu đầu vào mạng nơ-ron thông tin đầu xử lý tín hiệu sở dạng 3D cự ly – phương vị – tần số Thơng qua phép tính tích chập (Convolutional) lấy giá trị cực đại (Maxpooling) liệu đầu vào biến đổi để tạo đồ đặc trưng (Feature map) Thông tin đồ đặc trưng đưa đến mô đun phát phân loại mục tiêu, từ đây, mục tiêu đa tiến hành nhận dạng Hình Cấu trúc mạng nơ-ron đề xuất cho toán nhận dạng mục tiêu đa ARTRNet Có thể thấy, mơ hình ARTRNet kết cấu dãy gồm khối 1÷4 mơ đun detection head thực chức phát phân loại mục tiêu Các khối 1÷4 đóng vai trị khối trích chọn đặc trưng Mỗi khối tạo thành từ nhiều khối dư (Residual block) kết nối liên tiếp kết thúc lớp gộp cực đại (Maxpooling) Số lần lặp lại khối dư khối tạo nên tham số kích thước khối dư [N1, N2, N3, N4] mạng nơ-ron ARTRNet Mỗi khối dư xây dựng theo nguyên lý CNN ResNet [15] gồm hai nhánh: nhánh (Backbone flow) nhánh phụ (Skip-connection flow) Nhánh đảm nhiệm chức trích xuất đặc trưng liệu, nhánh phụ có nhiệm vụ truyền đặc trưng cũ từ lớp chuẩn hóa đến kết hợp với đầu nhánh lớp cộng Trong đa cỡ nhỏ tầm gần FMCW, tốc độ cập nhật liệu vòng quét thường lớn tốc độ quay anten (hoặc quét búp sóng số) nhanh so với đài đa cảnh giới tầm xa Vì vậy, yêu cầu tốc độ xử lý cập nhật thông tin nhận dạng mục tiêu phải cao để đồng hóa tồn chuỗi xử lý tín hiệu Vì lí đó, nhóm tác giả lựa chọn xây dựng mơ đun phát phân loại mục tiêu detection head theo nguyên lý làm việc lớp mơ hình họ YOLO Đây cấu trúc có ưu điểm tốc độ xử lý so với mơ hình khác Mơ hình trực tiếp huấn luyện mạng với bounding box tiến hành phát phân loại tất đối tượng ảnh đặc trưng (feature map) Dữ liệu đầu vào mạng nơ-ron học sâu ARTRNet kết hợp thơng tin diện tích phản xạ hiệu dụng thông tin tần số Doppler mục tiêu đa Bộ liệu dùng cho trình huấn luyện, kiểm tra đánh giá mạng nơ-ron đề xuất liệu đa thông tin gán nhãn 10000 vòng quét với dung lượng 300 GB Việc sử dụng hai đặc trưng quan trọng mục tiêu nâng cao độ xác nhận dạng mạng nơ-ron Thơng tin diện tích phản xạ hiệu dụng mục tiêu thể qua ma trận tín hiệu theo trục cự ly-phương vị, thơng tin tần số Doppler thể qua ma trận tín hiệu cự ly-tần số Kích thước liệu đa đầu vào mạng nơ-ron 256*256*64 Tập liệu chia thành tập huấn luyện kiểm tra với tỷ lệ tương ứng 80% 20% 28 N V Trà, N T Sơn, N H Việt, “Đề xuất mạng nơ-ron … nhận dạng mục tiêu đa FMCW.” Nghiên cứu khoa học công nghệ KẾT QUẢ NHẬN DẠNG VÀ THẢO LUẬN Mạng nơ-ron học sâu ARTRNet xây dựng tiến hành huấn luyện kiểm tra ngơn ngữ lập trình Python sử dụng framework Tensorflow Bài báo tiến hành thay đổi kích thước khối dư backbone điều chỉnh hàm mát trình huấn luyện Từ lựa chọn tham số giúp cho mạng nơ-ron có hiệu nhận dạng mục tiêu cao Các tham số thiết lập cho trình huấn luyện, kiểm tra sau: Batch size thiết lập 4, tốc độ học (learning rate) khởi tạo 0.0001 giảm dần 96% sau 10.000 vịng lặp, sử dụng thuật tốn tối ưu Adam để cập nhật trọng số Mơ hình huấn luyện kiểm tra tảng phần cứng GPU máy tính với cấu hình: chíp xử lý Intel Xeon E5-2678 v3 CPU, card hình RTX 3060 GPU, Ram 32GB 4.1 Hiệu nhận dạng mục tiêu mô hình điều chỉnh hàm mát Hàm mát sử dụng trình huấn luyện mạng nơ-ron học sâu ARTRNet thể công thức (3) Trong q trình huấn luyện, chúng tơi nhận thấy rằng, ảnh hưởng thành phần LBox lên hàm mát tổng lớn so với thành phần LCls dẫn đến tượng suy giảm độ xác phân loại mục tiêu mạng nơ-ron Vì vậy, chúng tơi đề xuất điều chỉnh hàm mát cách nhân thêm hệ số điều chỉnh vào thành phần LBox hàm mát Hàm mát đề xuất trình huấn luyện mạng nơ-ron là: LTotal * LBox LCls (8) Qua trình chạy thực nghiệm so sánh kết nhận dạng mạng nơ-ron với hàm mát chưa nhân hệ số [16] hàm mát nhân hệ số điều chỉnh khác nhau, nhận thấy, với hệ số nhân =0.1 mơ hình mạng nơ-ron đề xuất có hiệu nhận dạng cao Bảng So sánh hiệu nhận dạng mạng nơ-ron thay đổi hệ số điều chỉnh hàm mát Hệ số β mAP0.3 [16] 0.2036 0.01 0.3287 0.05 0.3463 0.1 0.3559 0.15 0.3482 0.2 0.3391 0.25 0.2847 0.3 0.2480 4.2 Kết nhận dạng mục tiêu mơ hình mạng nơ-ron đề xuất ARTRNet Sau xây dựng mơ hình mạng mạng nơ-ron với số lần lặp lại khối dư cấu trúc backbone [2, 4, 8, 16] hàm mát trình huấn luyện công thức (8), tiến hành huấn luyện mạng nơ-ron toàn tập liệu, số vòng lặp huấn luyện 200.000 Kết huấn luyện thể hình với giá trị: sai số huấn luyện (training loss) thể hình bên trái cùng, sai số xác thực (validation loss) thể hình độ xác trung bình mAP thể hình bên phải có giá trị 1.673, 0.3039 56.5% Hình Kết huấn luyện kiểm tra mạng nơ-ron ARTRNet Hình thể kết nhận dạng mục tiêu đa mạng nơ-ron ARTRNet hiển thị hình giao diện người – máy Hai hình bên trái biểu diễn tín hiệu đầu vào mạng nơron trục cự ly – tần số trục cự ly – phương vị, hình bên phải tín hiệu video Tạp chí Nghiên cứu KH&CN quân sự, Số 84, 12 - 2022 29 Kỹ thuật điều khiển & Điện tử với thông tin nhận dạng mục tiêu mạng nơ-ron đề xuất ARTRNet Thông tin vị trí kiểu loại mục tiêu từ mạng nơ-ron thể bounding box thông tin nhãn mục tiêu Hình Kết nhận dạng mục tiêu đa mạng nơ-ron ARTRNet hiển thị hình giao diện người – máy KẾT LUẬN Bài báo đề xuất mơ hình mạng nơ-ron học sâu, đặt tên ARTRNet cho toán tự động nhận dạng mục tiêu đa FMCW Bên cạnh đó, tác giả đề xuất cải tiến hàm mát trình huấn luyện mạng nơ-ron giúp nâng cao chất lượng nhận dạng mục tiêu Mơ hình mạng nơ-ron học sâu ARTRNet cho kết nhận dạng mục tiêu đa với liệu đầu vào mang thông tin cự ly – phương vị – tần số mục tiêu với độ xác trung bình mAP = 56.5% Kết nghiên cứu báo tiền đề tác giả tiếp tục nghiên cứu, phát triển nội dung khác việc sử dụng mạng nơ-ron nhân tạo giải tốn lĩnh vực xử lý tín hiệu đa Lời cảm ơn: Nghiên cứu thiết kế tủ máy tính trung tâm 394ИБ01-M sở linh kiện cho đài đa KASTA-2E2 TÀI LIỆU THAM KHẢO [1] Jedrzej Drozdowicz, Maciej Wielgo, Piotr Samczynski, Krzysztof Kulpa, Jaroslaw Krzonkalla, Maj Mordzonek, Marcin Bryl, Zbigniew Jakielaszek “35 GHz FMCW Drone Detection System” [2] Jinwei Wan, Bo Chen1, Bin Xu, Hongwei Liu and Lin Jin “Convolutional neural networks for radar HRRP target recognition and rejection” EURASIP Journal on Advances in Signal, 2019:5, (2019) [3] Nguyễn Văn Trà, Đoàn Văn Sáng, Vũ Chí Thanh, Trần Cơng Tráng, "Đánh giá hiệu tự động phân loại mục tiêu radar số mạng nơ-ron đại" Tạp chí Nghiên cứu KH&CN quân sự, số 74 (2021) [4] Woosuk Kim 1, Hyunwoong Cho 1, Jongseok Kim 1, Byungkwan Kim and Seongwook Lee “YOLO-Based Simultaneous Target Detection and Classification in Automotive FMCW Radar Systems” MDPI, 20 May, (2020) [5] Long, X., Deng, K., Wang, G., Zhang, Y., Dang, Q., Gao, Y., & Wen, S., “PP-YOLO: An Effective and Efficient Implementation of Object Detector” arXiv preprint arXiv:2007.12099, (2020) [6] Liu, Y., Wang, Y., Wang, S., Liang, T., Zhao, Q., Tang, Z., & Ling, H., CBNet: “A Novel Composite Backbone Network Architecture for Object Detection” In AAAI, pp 11653- 1660, (2020) [7] A Bochkovskiy, C Y Wang, and H M Liao, “Yolov4: Optimal speed and accuracy of object detection,” arXiv preprint arXiv:2004.10934, (2020) [8] Yu, J., Jiang, Y., Wang, Z., Cao, Z., & Huang, T., “Unitbox: An advanced object detection network” In Proceedings of the 24th 15 ACM international conference on Multimedia, pp 516-520, (2016) [9] Zheng, Z., Wang, P., Liu, W., Li, J., Ye, R., & Ren, D “Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression” In AAAI, pp 12993-13000, (2020) [10] Tomasz Jasinski, Irina Antipov, Sildomar T Monteiro, Graham Brooker “W-Band Maritime Target Classification using HighResolution Range Profiles” The University of Sydney NSW, Australia, (2006) 30 N V Trà, N T Sơn, N H Việt, “Đề xuất mạng nơ-ron … nhận dạng mục tiêu đa FMCW.” Nghiên cứu khoa học công nghệ [11] Villeval, S.; Bilik, I.; Gurbuz, S.Z “Application of a 24 GHz FMCW automotive radar for urban target classification” In Proceedings of the IEEE Radar Conference, Cincinnati, OH, USA, 19– 23, (2014) [12] Rytel-Andrianik, R.; Samczynski, P.; Gromek, D.; Weilgo, J.; Drozdowicz, J.; Malanowski, M “Micro-range, micro-Doppler joint analysis of pedestrian radar echo” In Proceedings of the IEEE Signal Processing Symposium (SPSympo), Debe, Poland, 10–12 June, (2015) [13] Lim, S.; Lee, S.; Yoon, J.; Kim, S.-C “Phase-based target classification using neural network in automotive radar systems” In Proceedings of the IEEE Radar Conference (RadarConf), Boston, MA, USA, 22–26 April, (2019) [14] Shang Jiang, Haoran Qin, Bingli Zhang, Jieyu Zheng “Optimized Loss Functions for Object detection: A Case Study on Nighttime Vehicle Detection”, Computer Vision and Pattern Recognition, (2020) [15] K He, X Zhang, S Ren, and J Sun, “Deep residual learning for image recognition,” in IEEE conference on computer vision and pattern recognition, pp 770–778, (2016) [16] J Redmon, S Divvala, R Girshick, and A Farhadi, “You only look once: Unified, real-time object detection,” in IEEE conference on Computer Vision and Pattern Recognition, pp 779–788, (2016) ABSTRACT Proposed deep neural network ARTRNet for automatic target recognition for FMCW radar In this paper, we propose a deep learning neural network (named ARTRNet) that automatically recognizes radar targets based on the characteristic signature of radar cross section and Doppler frequency of target in the reflected signal The raw data input to ARTRNet is 3D formatted with distance - azimuth - frequency information The author proposes an improvement of the loss function in the neural network training process to improve the target recognition performance of the model Keywords: FMCW; Radar; Range; Azimuth; Doppler; Object detection; Deep learning Tạp chí Nghiên cứu KH&CN quân sự, Số 84, 12 - 2022 31 ... tin nhận dạng mục tiêu mạng nơ-ron đề xuất ARTRNet Thơng tin vị trí kiểu loại mục tiêu từ mạng nơ-ron thể bounding box thơng tin nhãn mục tiêu Hình Kết nhận dạng mục tiêu đa mạng nơ-ron ARTRNet. .. KẾT LUẬN Bài báo đề xuất mơ hình mạng nơ-ron học sâu, đặt tên ARTRNet cho toán tự động nhận dạng mục tiêu đa FMCW Bên cạnh đó, tác giả đề xuất cải tiến hàm mát trình huấn luyện mạng nơ-ron giúp... đến mô đun phát phân loại mục tiêu, từ đây, mục tiêu đa tiến hành nhận dạng Hình Cấu trúc mạng nơ-ron đề xuất cho toán nhận dạng mục tiêu đa ARTRNet Có thể thấy, mơ hình ARTRNet kết cấu dãy gồm