软分段随机化:提升合成孔径雷达自动目标识别的领域泛化能力
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
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
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
本文基于Aubert-Aujol (AA)去噪模型和变分水平集方法,提出了一种新颖的局部统计主动轮廓模型(LACM),用于具有强度非均匀性的SAR图像分割。通过使用凸松弛技术,将所提出的模型转化为全局优化模型。实验证明,我们提出的模型在一些具有挑战性的合成图像和Envisat SAR图像上相对于现有模型具有优越性。
Dec, 2023
该论文提出了一种基于I-divergence-TV模型的新型变分主动轮廓模型,用于分割具有乘性伽马噪声的合成孔径雷达(SAR)图像,将基于边缘的模型与基于区域的模型相结合。所提出的模型能够在弱或模糊边缘处有效停止轮廓,并能自动检测图像的外部和内部边界。将全局凸分割方法和分裂布雷格曼技术融入所提出的模型,并提出了一种快速固定点算法来解决全局凸分割问题[25]。合成图像和实际SAR图像的实验结果表明,与现有技术相比,所提出的快速固定点算法具有鲁棒性和高效性。
Dec, 2023
通过使用视觉转换器模型(ViT)和大量训练数据SA-1B构建的段落任意模型(SAM),可以在各种分割场景中实现优秀的语义信息和泛化能力,从而为计算机视觉中的特定下游任务提供了高性能,其中包括用于合成孔径雷达(SAR)图像的土地覆盖分类的CWSAM模型。CWSAM通过轻量级的适配器进行参数高效微调,采用类别掩码解码器实现语义分割任务,在充分实验证明了CWSAM相比于传统的语义分割算法不仅在性能上有所提升,而且在计算资源消耗方面也更为优越,突显了SAM等基础模型在SAR领域特定下游任务中的潜力。
Jan, 2024
本研究建立了一个新的基准数据集和一个开源方法,用于大规模合成孔径雷达(SAR)目标检测,通过提供大规模和多样化的数据集,揭示了合成孔径雷达目标检测的一项关键挑战,并提出了一种新颖的多阶段滤波增强预训练框架,通过处理数据输入、域过渡和模型迁移等问题,显著提高了合成孔径雷达目标检测模型的性能。
Mar, 2024
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
提出了一种基于频域变换的神经网络辅助的合成孔径雷达(SAR)目标检测方法,通过校正卷积偏差并关注高频信息,形成自然的多尺度子空间表示,从多子空间去噪的角度来检测目标,在多个SAR目标检测数据集上实现了最先进的成绩。
Jun, 2024
本研究针对自动目标识别(ATR)模型在使用合成数据时面临的领域转移问题,提出了一种名为IRASNet的框架。该框架通过杂波减少模块(CRM)和对抗学习相结合,有效提高了特征级杂波减少和领域不变特征学习,显著提升了SAR数据的识别性能。
Sep, 2024