A Novel Approach For a Robust Marine Target Detection

Target detection is an extremely important task for surveillance radar. The scenarios in which such radar systems are required to operate are extremely heterogeneous, and classical techniques used for Radar Target Detection (RTD), e.g. Constant False Alarm Rate (CFAR), struggle to adapt. The presence of wave motions, sea streams, and wind gives rise to many different detection scenarios in the maritime environment. Moreover, close targets and the presence of cliffs in the view tend to disturb current detection schemes, which in turn mitigate the problem by lowering radar sensitivity, getting a no longer constant false alarm rate as a consequence. The improvements done in Artificial Intelligence applications since the 1950s, and in particular in the most recent years, have shown the ability of such algorithms to reach high performances in many different tasks, such as image classification and object detection, and in many different fields, e.g. medicine, finance, autonomous driving systems. Their most notable characteristic is that of being able to extract underlying relationships in the data that lead to discern what is a target from what it is not. However, their application to airborne surveillance radar data is still controversial. The objective of this thesis work is to test the applicability of these techniques on available Radar data, evaluate their effectiveness, and lay the groundwork for their use in Leonardo sensors.

Un Nuovo Approccio Per Il Rilevamento Robusto Di Bersagli Marini. Il rilevamento dei bersagli è un compito molto importante per il radar di sorveglianza. Gli scenari in cui tali sistemi radar sono chiamati ad operare sono estremamente eterogenei e le tecniche comunemente usate per il rilevamento dei bersagli tramite sistemi radar, per esempio il gruppo di tecniche note come Tasso di Falso Allarme Costante, faticano ad adattarsi. La presenza di moti ondosi, correnti marine e venti danno luogo a molti differenti scenari di rilevamento. Inoltre, bersagli vicini e la presenza di scogliere nella scena tendono a disturbare gli attuali schemi di rilevamento, che a loro volta mitigano il problema abbassando la sensibilità del radar, ottenendo come conseguenza un tasso di falso allarme non più costante. I miglioramenti fatti nelle applicazioni dell'Intelligenza Artificiale a partire dagli anni '50 e, in particolare modo, negli ultimi anni, hanno mostrato l'abilità di tali algoritmi nel raggiungere elevate performance in molti differenti compiti, come la classificazione di immagini e il rilevamento di oggetti, e in moti diversi ambiti, per esempio la medicina, la finanza, i sistemi di guida autonoma. La loro caratteristica di maggior rilievo è quella di riuscire ad estrarre le relazioni più significative tra i dati che portano a discernere tra cosa è un bersaglio e cosa non lo è. Ad ogni modo, la loro applicazione ai sistemi radar di sorveglianza aerea rimane ancora controversa. L'obiettivo del lavoro di tesi è sperimentare queste tecniche sui dati Radar disponibili, valutarne l’efficacia e tracciare le basi per un suo utilizzo nei sensori Leonardo.