自适应残差变换增强SAR图像中基于特征的OOD检测
计算机视觉与模式识别
2024-11-04 v1 机器学习
图像与视频处理
摘要
深度学习架构的最新进展使得合成孔径雷达（SAR）图像中预训练目标的高效、精确分类成为可能。然而，在真实战场场景中，未知目标的存在不可避免，这会导致误分类并降低分类器的精度。过去几十年中，人们开发了多种基于特征的分布外（OOD）检测方法来解决此问题，但定义已知与未知目标之间的决策边界仍然具有挑战性。此外，与光学图像不同，在SAR图像中检测未知目标因高斑点噪声、杂波的存在以及后向散射微波信号固有的相似性而更加复杂。在本工作中，我们提出将基于特征的OOD检测转化为一种基于类局部特征残差的方法，并证明该方法能提高在不同未知目标分布条件下的稳定性。将基于特征的OOD检测转化为基于残差的框架，为区分分布内（ID）和OOD数据提供了一个更稳健的参考空间，尤其是在SAR图像独特的特性下。这种自适应残差变换方法将基于特征的输入标准化为分布表示，从而增强了在噪声大、信息量低的图像中的OOD检测能力。我们的方法在真实SAR场景中展现出有前景的性能，能有效适应这些环境中固有的高噪声和杂波水平。这些发现突显了基于残差的OOD检测在SAR应用中的实际意义，并为在复杂作战环境中检测未知目标的进一步发展奠定了基础。
引用
@article{arxiv.2411.00274,
title = {Adaptive Residual Transformation for Enhanced Feature-Based OOD Detection in SAR Imagery},
author = {Kyung-hwan Lee and Kyung-tae Kim},
journal= {arXiv preprint arXiv:2411.00274},
year = {2024}
}