Mar, 2022

基于图的 SAR 数据半监督分类主动学习

PDF
TL;DR使用基于图的学习和神经网络方法的结合体进行 SAR 数据分类，该方法可以在无需标记数据的情况下实现费用效益高的主动学习，并在需要 ATR 的应用中显示良好的推广性能。
synthetic aperture radargraph-based learningneural networkactive learningautomatic target recognition
发现论文，激发创造
  • 基于感知行为的 SAR 图像解释图神经网络进行人类决策

    我们提出了一种基于图神经网络的自动目标识别框架，该框架不仅可以提供最终的分类类别，还可以输出对应的详细信息，实现了 99.2％的整体准确率，并超越了先前最先进的图神经网络方法。

    Jan, 2024

  • 用于精确和低复杂度 SAR ATR 的图神经网络

    本文提出了一种基于图神经网络的低计算复杂度的合成孔径雷达目标识别方法，该方法通过输入修剪和模型修剪两种策略达到了低计算复杂度和较高的分类准确性。

    May, 2023

  • 半监督 SAR ATR 框架中的转导辅助分割

    基于卷积神经网络的合成孔径雷达自动目标识别的半监督框架，通过辅助分割和信息残差损失的训练，利用少量标注样本和未标注样本进行训练来提高识别性能。在 MSTAR 数据集上的实验证明了该方法在少样本学习中的有效性。

    Aug, 2023

  • 基于知识引导的预测架构的 SAR ATR 自监督学习

    通过使用本文提出的具有知识引导预测架构，通过预测未见上下文的多尺度 SAR 特征表示，将传统 SAR 领域特征提取与最先进的可扩展自监督学习相结合，以准确的广义特征表示进行 SAR 目标识别，这一方法在各种下游数据集上验证成功，并在 SAR 目标识别中实现了一致的性能提升。

    Nov, 2023

  • 利用生成对抗网络方法人工生成大数据以改善图像分类：以 SAR 数据为例

    本研究提出了一个 VHSR SAR 图片数据库，并且探讨了基于补丁的城市和城市周边区域分类。使用大型 CNN 分类模型和预训练网络来确定有效性，此外还运用生成对抗网络来生成数据测试数据对分类精度的影响。

    Nov, 2017

  • 一种新的批量主动学习方法及其应用于合成孔径雷达数据集

    使用 Dijkstra 的 Annulus Core-Set 和 LocalMax 相结合的批处理主动学习方法，在维持模型准确度的同时提高了效率，应用于 FUSAR-Ship 和 OpenSARShip 数据集的分类，并超越了基于 CNN 的现有方法。

    Jul, 2023

  • 主动半监督表示学习的语义分割

    本文提出一种新算法，将半监督和主动学习相结合，通过用少量的有标签数据来训练分割算法。我们通过用自我训练方法替换半监督学习的平均教师方法，以处理带有噪声的标签，进一步增强神经网络的能力来查询有用的数据，从而实现了超越现有半监督方法的性能。在 CamVid 和 CityScapes 数据集上评估我们的方法，仅使用了 12.1% 和 15.1% 的标签数据，分别实现了 95% 以上的准确率。

    Oct, 2022

  • 合成孔径雷达自动目标识别的深度学习分类器基准测试

    运用深度学习模型对合成孔径雷达（SAR）的自动目标识别（ATR）进行综合评估，并比较五种先进的深度学习模型在分类准确率、运行时间表现、以及模型参数、层数、大小和计算操作数量方面的性能。结果表明，图神经网络（GNN）在推理吞吐量和延迟方面的性能优于其他模型，然而，并没有一个模型在所有指标上占据绝对优势，一个模型适用于所有情况的可能性存在怀疑。

    Dec, 2023

  • SAFE：基于自监督学习和掩蔽孪生 ViTs 的 SAR 特征提取器

    基于遮掩的孪生视觉变压器提取器 (SAFE) 是一种新颖的自监督学习框架，通过对未标记的合成孔径雷达影像数据进行对比学习，提取稳健且具有普适性的特征。SAFE 可用于多种合成孔径雷达采集模式和分辨率下，具有针对合成孔径雷达影像的数据增强技术，如亚孔径分解和去斑点处理。对少样本分类、分割、可视化和模式检测等多种下游任务的全面评估表明，所提出的方法的有效性和多功能性。即使在未经使用的传感器上进行评估，我们的网络在少样本分类和分割任务上与或胜过其他先进方法。

    Jun, 2024

  • 使用 CNN 从 SAR 图像生成高质量可见光图像

    本文提出了一种基于生成对抗网络和级联卷积神经网络的新方法，用于从合成孔径雷达图像生成高质量的可见光图像，实验表明该方法在去斑和图像上色方面比目前的深度学习方法表现更好。

    Feb, 2018