用于 SAR 自动目标识别的深度学习分类器基准测试
计算机视觉与模式识别
2024-02-02 v1 机器学习
图像与视频处理
摘要
合成孔径雷达（SAR）自动目标识别（ATR）是遥感图像识别的一项关键技术，可由深度神经网络提供支持。现有的 SAR ATR 工作大多侧重于提高目标识别的准确率，而忽略了系统在速度和存储方面的性能，这对 SAR ATR 的实际应用至关重要。对于旨在确定要部署在 SAR ATR 系统中的合适深度学习模型的决策者而言，了解不同候选深度学习模型的性能并据此确定最佳模型非常重要。本文使用多个不同的 SAR 图像数据集，对几种先进的 SAR ATR 深度学习模型进行了全面的基准测试。具体而言，我们基于残差神经网络（ResNet18、ResNet34、ResNet50）、图神经网络（GNN）和面向小数据集的视觉 Transformer（SS-ViT）训练并测试了五种 SAR 图像分类器。我们选择了 MSTAR、GBSAR 和 SynthWakeSAR 三个提供异质性的数据集。我们从分类准确率、推理吞吐量方面的运行时性能，以及参数量、层数、模型大小和运算次数方面的分析性能，对这五种分类器进行了评估和比较。实验结果表明，GNN 分类器在吞吐量和延迟方面表现优异。然而，结果也表明，从我们选定的所有指标来看，并没有明显的模型赢家，在 SAR ATR 领域出现“一统天下”的单一模型是值得怀疑的。
引用
@article{arxiv.2312.06940,
title = {Benchmarking Deep Learning Classifiers for SAR Automatic Target Recognition},
author = {Jacob Fein-Ashley and Tian Ye and Rajgopal Kannan and Viktor Prasanna and Carl Busart},
journal= {arXiv preprint arXiv:2312.06940},
year = {2024}
}
备注
6 Pages