Aug, 2023

背景去偏合成孔径雷达目标识别通过因果干预正则化

PDF
TL;DR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。
deep learningsynthetic aperture radar imagesautomatic target recognitionbackgroundcausal intervention
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

  • 元语义正则化的干预对比学习

    本文提出了一种利用结构因果模型和干预对抗学习方法解决影响模型学习语义信息的背景干扰问题，可应用于各种现有对抗学习方法中，并在多个基准数据集上显著提高性能。

    Jun, 2022

  • 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

    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

    Apr, 2023

  • 发现和解释深度学习在合成孔径雷达目标识别中的非因果性

    该研究使用 Shapley 值量化不同区域对目标识别的贡献，发现深度学习在 SAR ATR 中对于杂波的过拟合程度反映了其非因果性，并解释了数据偏差和模型偏差对非因果性的影响。

    Apr, 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

  • SARATR-X: 合成孔径雷达图像目标识别的基础模型

    基于自监督学习构建的基础模型 SARATR-X，通过集成多个数据集、使用不同的模型骨干和两阶段训练技术，实现了在 5 个数据集上具有竞争力和优越性能的普适合成孔径雷达自动目标识别。

    May, 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

  • 使用混合数据集训练深度学习模型以实现对真实合成孔径雷达图像的稳健自动目标检测

    通过使用合成目标，训练具有深度学习方法的自动目标检测模型来解决合成孔径雷达图像中地面目标检测算法所面临的挑战，并证明该方法能在无需真实数据训练的情况下，在真实数据上达到高达 90% 的平均精度。

    May, 2024

  • 基于贝叶斯神经网络的具备不确定性感知的合成孔径雷达目标识别：抵御对抗攻击

    提出了一种基于贝叶斯神经网络的新颖不确定性感知合成孔径雷达自动目标识别系统，可以检测到对 RAS 图像进行的敌对攻击，并生成可视化解释，帮助人类决策者判断敌对攻击证据。实验证明该方法能够识别超过 80% 的敌对 RAS 图像，误报率低于 20%，并且可视化解释能够识别超过 90% 的敌对散射体。

    Mar, 2024