Apr, 2023

基于对比特征对齐的不变表示学习用于抗干扰 SAR 目标识别

PDF
TL;DR该研究提出了一种名为对比特征对齐 (CFA) 的解决方案，旨在学习具有稳健性的不变表示形式，通过联合分类损失和通道加权平均平方误差 (CWMSE) 损失来训练模型，以获得逐步学习不变目标表示的能力，该方法在 MSTAR 数据集和六种 DNN 模型上得到了广泛评估，并成功证明其在不熟悉的环境中识别目标的效能
deep neural networkssynthetic aperture radarautomatic target recognitioninvariant representation learningcontrastive feature alignment
发现论文，激发创造
  • FACTUAL: 基于对比学习的鲁棒 SAR 图像分类的新框架

    利用 FACTUAL 框架进行对抗训练和鲁棒性合成孔径雷达目标识别，通过引入逼真的物理对抗攻击方案和线性分类器级联的方法，在干净样本和扰动样本上预训练和微调后，模型在两种情况下的预测准确率分别达到 99.7% 和 89.6%，都优于现有最先进方法。

    Apr, 2024

  • 用于强健 SAR 车辆识别的分层去纠缠网络

    本文提出了一种新颖的 Hierarchical Disentanglement-Alignment Network（HDANet）方法，通过数据对齐框架增强了特征的因果性和鲁棒性，展现了在多种 SAR 的目标和环境变量中的高鲁棒性。

    Apr, 2023

  • 对比对抗训练中通过认知失调缓解实现健壮性

    本文介绍了一种新的神经网络训练框架，通过将对比学习与对抗训练相结合，增强了模型对对抗攻击的鲁棒性，同时保持高干净度的准确性。作者发现对比学习有助于提高对抗性鲁棒性，并使用 CIFAR-10 数据集验证了他们的方法，发现其优于其他监督和自监督方法。

    Mar, 2022

  • 背景去偏合成孔径雷达目标识别通过因果干预正则化

    我们通过构建一个结构因果模型 (SCM) 并提出一种因果干预正则化方法，将背景作为混淆因素来消除其对特征语义学习的负面影响，从而实现背景失调的合成孔导自动目标识别（SAR-ATR）。该方法可与现有的基于深度学习的 SAR-ATR 模型集成，以减轻背景干扰对特征提取和识别精度的影响。在运动和静态目标获取和识别（MSTAR）数据集上的实验结果表明，所提出的方法能以即插即用的方式提高现有基于深度学习的方法的效率。

    Aug, 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

  • 针对对抗训练的自适应特征对齐

    本文提出了自适应特征对齐的方法，通过预测双 BN 结构中的融合权重，不引入任何超参数，且在不牺牲模型标准精度的情况下，有效地提高了模型的鲁棒性，并且在 CIFAR-10、SVHN 和 tiny-ImageNet 数据集上全面超越了现有的技术。

    May, 2021

  • 对抗特征对齐：通过对抗训练在深度学习中平衡鲁棒性和准确性

    本文提出了一种名为 Adversarial Feature Alignment (AFA) 的新型对抗性训练方法，旨在解决深度学习模型在安全性上平衡鲁棒性和准确性的挑战。通过利用对比学习的优化算法，AFA 减轻特征不对齐可能导致误分类的风险，并在实验中展示了其卓越性能。

    Feb, 2024

  • 通过训练表示对齐学习紧凑特征

    本研究提出了一种名为 In-Training Representation Alignment (ITRA) 的方法，通过匹配损失函数，显式地对两个不同 mini-batch 的 feature distribution 进行校准，从而稳定随机梯度下降（SGD）中高方差的情况，并提出了其对特征表示学习的良好效果的分析，大规模实验表明该方法在图像和文本分类方面优于传统方法。

    Nov, 2022

  • 具有联合手工特征视图的双流对比预测网络用于 SAR 船舶分类

    通过引入两个非对称式任务设计和虚假负样本消除模块，我们提出了一种新颖的双流对比预测网络（DCPNet），以解决现有合成孔径雷达（SAR）舰船分类技术中存在的标注数据不足和特征融合造成的冗余问题。实验结果表明 DCPNet 在有监督模型的分类准确性上有所提升，并证实了其学习有效特征表示的能力。

    Nov, 2023