Nov, 2023

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

PDF
TL;DR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。
synthetic aperture radarship classificationcnn-based featuresdual-stream contrastive predictive networkknowledge transfer
发现论文，激发创造
  • 基于 Swin Transformer 和特征增强特征金字塔网络的 SAR 船舶检测

    本研究提出了一种基于 Swin Transformer 和特征增强特征金字塔网络（FEFPN）的 SAR 船舶检测方法，使用 Swin Transformer 作为支撑来建模长距离依赖性并生成分层特征图。使用 FEFPN 逐步增强所有级别的特征图的语义信息，特别是浅层特征图，以进一步提高特征图的质量。在 SAR 船舶检测数据集（SSDD）上的实验表明了我们提出的方法的优越性。

    Sep, 2022

  • SDF2Net: 极化合成孔径雷达图像分类的浅层到深度特征融合网络

    在这项研究中，我们提出了一种新的复合值卷积神经网络（Complex-valued CNN）--- Shallow to Deep Feature Fusion Network（SDF2Net），用于极化合成孔径雷达图像分类，并通过对多个最新方法使用的 AIRSAR 数据集和 ESAR Oberpfaffenhofen 数据集进行对比，结果表明该方法在整体准确度上有所改善，并分别在 AIRSAR 数据集提高了 1.3% 和 0.8%，在 ESAR 数据集提高了 0.5%。对 Flevoland 数据的分析进一步证明了 SDF2Net 模型的有效性，即使仅使用 1% 的采样比例，也达到了 96.01% 的有希望的整体准确度。

    Feb, 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

  • 基于异构网络的对比学习方法用于极化合成孔径雷达土地覆盖分类

    本文提出了一种基于异质网络对比学习方法 (HCLNet)，通过多特征和超像素对未标记的 PolSAR 数据进行高层表示学习，以实现少样本分类。实验表明，与现有方法相比，HCLNet 在三个广泛使用的 PolSAR 基准数据集上具有优势，并通过消融研究验证了每个组件的重要性。此外，该工作对于如何高效利用 PolSAR 数据的多特征学习更好的高层表示以及如何构建更适合 PolSAR 数据的网络具有重要意义。

    Mar, 2024

  • DCP-Net: 一种用于遥感语义分割的分布式协作感知网络

    本研究提出了一种分布式协作感知网络（DCP-Net），旨在通过整合其它平台的特征来提升成员的感知性能，减少冗余传输成本，并解决本地和协作特征之间的错位问题，从而在遥感应急任务中取得了明显的性能提升。

    Sep, 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

    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

  • 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

  • SAR-Net: 多尺度定向感合成孔径雷达网络

    SAR-Net 是一个专门设计用于合成孔径雷达 (SAR) 目标检测中全局融合方向感知信息的创新框架，通过 Unity 补偿机制 (UCM) 和方向感知注意模块 (DAM) 实现了全局信息融合和消除背景干扰的功能。通过在飞机和船只数据集上进行实验，验证了 SAR-Net 在目标检测领域取得了最先进的结果，证实了其泛化能力和鲁棒性。

    Dec, 2023

  • 利用卷积神经网络从 Sentinel-1 数据进行自动化海洋船舶监测

    通过引入小波变换卷积神经网络方法，利用 Sentinel-1 SAR-C 双极化数据获取了印度西部沿海区域海洋监视和海事监测中的船舶检测，并获得了 95.46% 的检测准确率，进而实现了对海洋船舶的自动监测和外来船只的识别。

    Apr, 2023

  • MS-Net: 用于合成孔径雷达图像中飞机细粒度分类的多模态自监督网络

    提出一个新颖的多模态自监督网络（MS-Net）用于合成孔径雷达（SAR）影像中飞机的细粒度分类，通过大量实验，证明了 MS-Net 在无标签情况下能够有效降低类似类型飞机的分类难度，对 SAR 影像中飞机的细粒度分类具有开创性意义。

    Aug, 2023