[論文レビュー] Support Vector Data Description for Radar Target Detection

Jean Pinsolle, Yadang Alexis Rouzoumka+3 more|arXiv (Cornell University)|Feb 11, 2026

Radar Systems and Signal Processing被引用数 0

ひとこと要約

要約は以下のとおりです：本論文は SVDD と Deep SVDD をレーダー目標検出の CFAR 検出器として適用し、ガウス嵐雑音と加法ノイズを伴う複合ガウス雑音の下で古典検出器より性能が向上することを示すが、ゼロドップラーおよび複雑な雑音条件での課題も指摘している。

ABSTRACT

Classical radar detection techniques rely on adaptive detectors that estimate the noise covariance matrix from target-free secondary data. While effective in Gaussian environments, these methods degrade in the presence of clutter, which is better modeled by heavy-tailed distributions such as the Complex Elliptically Symmetric (CES) and Compound-Gaussian (CGD) families. Robust covariance estimators like M-estimators or Tyler's estimator address this issue, but still struggle when thermal noise combines with clutter. To overcome these challenges, we investigate the use of Support Vector Data Description (SVDD) and its deep extension, Deep SVDD, for target detection. These one-class learning methods avoid direct noise covariance estimation and are adapted here as CFAR detectors. We propose two novel SVDD-based detection algorithms and demonstrate their effectiveness on simulated radar data.

研究の動機と目的

• 雑音がガウス仮定から逸脱する状況でのロバストな目標検出を動機付ける。
• 1 クラス学習法（SVDD と Deep SVDD）を CFAR 検出器としてレーダー検出へ適用する。
• 新規の SVDD ベース検出アルゴリズムを 2 つ提案し、シミュレートされたレーダー・データ上で評価する。

提案手法

• レーダー・データに対する目標検出として SVDD と Deep SVDD を定式化する。
• 正常データを円周体（SVDD）または学習された特徴空間（Deep SVDD）で包囲する。
• 意思決定のために二次データから CFAR に類似した閾値を計算する。
• SVDD の場合、二次計画問題を解いて決定関数 f(z) を得る。
• Deep SVDD の場合、データを c 周りのコンパクト表現へ写像するニューラルネットワークを訓練し、距離を最小化する損失で中心点を定める。

(a) Gaussian + white Gaussian noise

実験結果

リサーチクエスチョン

• RQ1 SVDD と Deep SVDD は Gaussian および非 Gaussian 雑音下でのレーダー目標検出における有効な 1 クラステDetector として機能し得るか。
• RQ2 SVDD ベース検出器は CFAR に類似した性能と、古典的検出器と比較してドップラービン全体で頑健な検出を提供するか。
• RQ3 SVDD ベースの方法は AMF-SCM、MF、ANMF-Tyler と比較して、さまざまな雑音・雑音条件下でどのように性能が変わるか。

主な発見

• SVDD と Deep SVDD は Gaussian 雑音付加のある雑音下で AMF-SCM を上回る。
• DSVDD は複合ガウス雑音と付加熱雑音の条件下で ANMF-Tyler を上回ることが多く、特に高 SNR で優れる。
• SVDD と DSVDD は二次データから閾値を設定することで CFAR に類似した挙動を提供する。
• Deep SVDD は計算コストを削減し、ドップラー・ビン全体で頑健な検出を提供する。
• ANMF-Tyler は特にゼロドップラー条件など厳しい状況でビン全体を通して頑健である。
• ゼロドップラーおよび特定の雑音条件下では SVDD ベース検出器の課題が残る。

(b) Compound Gaussian + white Gaussian noise