一种用于鲁棒少样本 SAR 自动目标识别的全局模型方法
计算机视觉与模式识别
2023-04-11 v1 机器学习
摘要
在实际场景中，为训练基于深度学习的 SAR 自动目标识别（ATR）模型，未必总能收集到每类数百个标注样本。本工作专门解决少样本 SAR ATR 问题，即仅有少量标注样本可用于支持感兴趣的任务。我们的方法由两阶段组成。第一阶段，通过在大量多样化且无标注的 SAR 数据上自监督学习训练一个全局表示模型。第二阶段，将该全局模型用作固定特征提取器，并训练一个分类器在给定少样本支撑样本下对特征空间进行划分，同时被校准以检测异常输入。与需要通过元学习在干净标注数据集上预训练的竞争方法不同，我们的方法从与下游任务几乎无关联的无标注数据中学习高度可迁移的特征。我们在标准及扩展 MSTAR 操作条件下评估了我们的方法，发现其在多种不同少样本设定下实现了高准确率与鲁棒的分布式外检测。我们的结果尤其重要，因为它们展示了全局模型方法用于 SAR ATR 的价值，该方法作出极小假设，并提供了多个可扩展方向。
引用
@article{arxiv.2303.10800,
title = {A Global Model Approach to Robust Few-Shot SAR Automatic Target Recognition},
author = {Nathan Inkawhich},
journal= {arXiv preprint arXiv:2303.10800},
year = {2023}
}