Motion Compensation for Synthetic Aperture Radar with the Vision Transformer
Rattachement africain : us. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
A deep learning architecture for motion compensation (MOCO) on a synthetic aperture radar (SAR)-equipped platform is presented. It is shown that a compact Vision Transformer Network (ViT) can be optimized for stripmap-mode SAR MOCO using raw complex radar range measurements to refine platform position estimates under motion-perturbing conditions. Predicted platform locations are used to correct motion-induced phase offsets in the received SAR signals, improving pulse compression in the image azimuth domain. Experiments are conducted on simulated SAR data to prove the effectiveness of this proposed architecture, demonstrating significant improvements in SAR imaging quality under noisy conditions.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Motion Compensation for Synthetic Aperture Radar with the Vision Transformer
- Date Crossref
- 03/08/2025
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Johns Hopkins University Applied Physics Laboratory pays non établi dans la noticeUniversité ou école supérieure
-
Johns Hopkins Medicine pays non établi dans la noticeÉtablissement de santé
-
Johns Hopkins University Applied Physics Laboratory pays non établi dans la noticeStructure de recherche
Applied Physics Laboratory — Johns Hopkins University, Johns Hopkins Medicine et Johns Hopkins University Applied Physics Laboratory.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.