组合 SAR 模拟器以训练合成数据下的 ATR 模型
计算机视觉与模式识别
2025-10-30 v1 人工智能
信号处理
摘要
本工作旨在训练用于执行自动目标识别 (ATR) 的深度学习模型，以处理合成孔径雷达 (SAR) 图像。为规克现实标注数据稀缺的问题，我们动用 SAR 模拟器产生的合成数据进行训练。仿真能够对虚拟环境提供完全控制，从而随意生成大规模且多样化的数据集。然而，仿真本质上基于对现实世界的简化假设（即物理模型），因此合成数据集不如真实测量数据具代表性。 Consequently，训练在合成图像上获得的 ATR 模型无法在真实测量数据上良好泛化。我们 work 的贡献有两个方面：一方面，我们量化并评估了仿真范式对 ATR 的影响；另一方面，我们提出一种新方法来解决 ATR 问题：组合两种基于不同（但互补）范式的 SAR 模拟器以产生合成数据集。为此，我们使用两种模拟器：MOCEM 基于散射中心模型方法，Salsa 采用射线追踪策略。我们使用由 MOCEM 和 Salsa 产生的合成数据集训练 ATR 模型，以及我们提出的深度学习方法 ADASCA。我们在 MSTAR 测量数据上取得了接近 88% 的准确率。
引用
@article{arxiv.2510.24768,
title = {Combining SAR Simulators to Train ATR Models with Synthetic Data},
author = {Benjamin Camus and Julien Houssay and Corentin Le Barbu and Eric Monteux and Cédric Saleun and Christian Cochin},
journal= {arXiv preprint arXiv:2510.24768},
year = {2025}
}