基于 SAR 图像的目标分类深度学习：数据增强与平移不变性
计算机视觉与模式识别
2017-08-29 v1
摘要
本报告探讨了用于合成孔径雷达 (SAR) 图像自动目标识别 (ATR) 的卷积神经网络 (CNNs) 的平移不变性。具体而言，用于 SAR ATR 的 CNNs 的平移不变性体现了对从 SAR 图像中提取的目标切片未对准的鲁棒性。为了理解 CNNs 的平移不变性，我们在使用和不使用数据增强的条件下，训练了将 MSTAR 目标切片分为十类的 CNNs，随后可视化了 CNNs 的平移不变性。根据我们的结果，即使我们使用深度残差网络，在使用诸如 MSTAR 目标切片等已对齐图像且不进行数据增强的情况下，CNN 的平移不变性并不显著。影响平移不变性的一个更重要的因素是使用增强的训练数据。此外，我们使用增强训练数据的 CNN 实现了 99.6% 的 SOTA 分类准确率。这些结果表明了特定领域数据增强的重要性。
引用
@article{arxiv.1708.07920,
title = {Deep Learning for Target Classification from SAR Imagery: Data Augmentation and Translation Invariance},
author = {Hidetoshi Furukawa},
journal= {arXiv preprint arXiv:1708.07920},
year = {2017}
}
备注
Technical Report, 5 pages, 8 figures, Copyright(C)2017 IEICE