Aug, 2023

半监督 SAR ATR 框架中的转导辅助分割

PDF
TL;DR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。
convolutional neural networkssynthetic aperture radarautomatic target recognitionsemi-supervised learningfew-shot learning
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于图的 SAR 数据半监督分类主动学习

    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。

    Mar, 2022

  • 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

  • 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

  • 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

  • 深度传导迁移学习自动目标识别

    本文提出了一种基于转导迁移学习框架和 CycleGAN 的自动目标识别算法，用于在无人车等各种图像域中识别车辆。在 DSIAC ATR 数据集上，该方法实现了明显的分类性能提升。

    May, 2023

  • 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