面向有限训练数据 SAR 自动目标识别的关键特征捕获与判别
图像与视频处理
2023-08-23 v1
摘要
尽管基于深度学习的方法在 SAR 自动目标识别(Automatic Target Recognition, ATR)上取得了优异性能，但 SAR 图像难以获取与标注的事实使得这些原本表现良好的方法性能变弱。这可能是因为大多数方法将整幅目标图像作为输入，而研究发现，在有限训练数据下，深度学习模型无法捕获整图中的判别性图像区域，反而聚焦于对识别更无用甚至有害的图像区域。因此结果不尽如人意。本文设计了有限训练样本下的 SAR ATR 框架，主要由两支两模块构成：全局辅助分支与局部增强分支、特征捕获模块与特征判别模块。每次训练过程中，全局辅助分支先基于整图完成初始识别。基于初始识别结果，特征捕获模块自动搜索并锁定对正确识别至关重要的图像区域，我们称之为图像的金钥匙。随后局部分支从捕获的关键图像区域提取局部特征。最终，整体特征与局部特征输入分类器，并利用可学习投票参数动态加权，协同完成有限训练样本下的最终识别。模型健全性实验通过特征分布与识别概率的改善证明了方法的有效性。在 MSTAR 与 OPENSAR 上的实验结果与对比表明，我们的方法取得了优越的识别性能。
引用
@article{arxiv.2308.10911,
title = {Crucial Feature Capture and Discrimination for Limited Training Data SAR ATR},
author = {Chenwei Wang and Siyi Luo and Jifang Pei and Yulin Huang and Yin Zhang and Jianyu Yang},
journal= {arXiv preprint arXiv:2308.10911},
year = {2023}
}