May, 2024

基于轻量级视觉变换器的SAR自动目标识别多类别SAR图像分类

HTML
PDF
TL;DR合成孔径雷达已广泛应用于多个领域，可以收集有关感兴趣区域的大量信息。最近人工智能的进展使得基于深度学习的SAR ATR可以自动从大规模输入数据中识别目标特征。本文尝试将轻量级视觉Transformer模型应用于分类SAR图像以提高SAR ATR的识别准确性，并通过开放数据集验证了整体结构，结果显示该模型比传统网络结构分类结果更准确。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • VTR：一种面向FPGA的优化视觉Transformer用于SAR ATR加速

    开发了一种轻量级视觉Transformer（ViT）模型，利用Shifted Patch Tokenization（SPT）和Locality Self-Attention（LSA）模块，该模型可以直接在训练数据有限的合成孔径雷达（SAR）数据集上进行训练，以评估其在SAR自动目标识别（ATR）应用中的有效性，并进一步提出了一种用于实时SAR ATR应用的新型FPGA加速器（VTR）。

    Apr, 2024

  • 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

  • 研究自注意力对合成孔径雷达自动目标识别的影响

    本研究解决了传统合成孔径雷达自动目标识别模型在噪声数据中学习背景噪声而非重要图像特征的问题。通过引入注意力机制，模型能动态优先处理影像中的关键部分，从而提高了目标分类的准确性和模型的鲁棒性。研究表明，注意力模块提升了识别性能，并在MSTAR数据集上展现了更高的准确性和解释性。

    Aug, 2024