基于噪声标签的散射和深度特征协同学习SAR目标识别
计算机视觉与模式识别
2025-08-12 v1
摘要
获取高质量标注的合成孔径雷达（SAR）数据具有挑战性，因为需要专家知识。因此，不可避免地存在不可靠的噪声标签，这会导致SAR自动目标识别（ATR）性能下降。现有的噪声标签学习研究主要关注图像数据。然而，SAR数据的非直观视觉特征不足以实现鲁棒学习。为解决这一问题，本文提出了一种用于SAR ATR的基于散射和深度特征协同学习方法（CLSDF）。具体而言，设计了一个多模型特征融合框架，用于集成散射特征和深度特征。将归属散射中心（ASCs）视为动态图结构数据，提取的物理特征有效丰富了深度图像特征的表示。随后，基于每个模型划分的数据，对两个相互依赖的分支进行半监督学习。此外，引入联合分布对齐策略以增强共同猜测标签的可靠性。对MSTAR数据集进行了广泛实验，结果表明，该方法能在不同操作条件下以各种标签噪声实现最先进的性能。
引用
@article{arxiv.2508.07656,
title = {Collaborative Learning of Scattering and Deep Features for SAR Target Recognition with Noisy Labels},
author = {Yimin Fu and Zhunga Liu and Dongxiu Guo and Longfei Wang},
journal= {arXiv preprint arXiv:2508.07656},
year = {2025}
}
备注
The code will be released at https://github.com/fuyimin96/CLSDF upon acceptance