我们考虑以持续的错误警报率(CFAR)学习检测器的问题。基于经典模型的复合假设检验解决方案对不完美的模型敏感,并且通常在计算上昂贵。相比之下,数据驱动的机器学习通常更强大,并产生具有固定计算复杂性的分类器。在许多应用中,学到的探测器通常没有CFAR。为了缩小这一差距,我们引入了CFARNET,其中损失函数受到惩罚,以在任何零假设的情况下促进检测器的类似分布。在具有一般高斯噪声的线性模型的情况下,渐近分析表明,经典的广义似然比检验(GLRT)实际上是CFAR约束贝叶斯风险的最小化器。合成数据和实际超光谱图像的实验表明,CFARNET导致近CFAR检测器的精度与竞争对手相似。
translated by 谷歌翻译