用于自动目标识别的深度转导迁移学习
计算机视觉与模式识别
2023-05-24 v1 人工智能
摘要
设计自动目标识别（ATR）算法的主要障碍之一是：常在一个域（即红外源域）中有标注图像，而在其他目标域（即可见光、SAR、LIDAR）中无标注图像。因此，基于源域的标注图像在目标域中构建鲁棒分类器，自动标注这些图像至关重要。转导迁移学习是一种有效方式，通过利用源域中预训练的 ATR 网络使网络适配新目标域。我们提出了一种非配对转导迁移学习框架，其中使用 CycleGAN 模型与源域中训练良好的 ATR 分类器，在目标域无任何标注数据的情况下构建 ATR 分类器。我们采用 CycleGAN 模型将中波红外（MWIR）图像转换至可见光（VIS）域图像（或可见光至 MWIR 域）。为训练转导 CycleGAN，我们优化一个由源分类器与目标分类器的对抗损失、恒等损失、循环一致性损失和分类交叉熵损失构成的代价函数。本文中，我们在具挑战性的 DSIAC ATR 数据集上进行了详细实验分析。该数据集包含 MWIR 与 VIS 两个域中十类车辆，处于不同姿态、距离 1–5 公里。实验中，我们假设 VIS 域图像为无标注目标数据集。我们首先从原始图像中检测并裁剪车辆，随后将其投影至 2 公里公共距离。我们提出的转导 CycleGAN 在 DSIAC ATR 数据集可见光域车辆分类中达到了 71.56% 的准确率。
引用
@article{arxiv.2305.13886,
title = {Deep Transductive Transfer Learning for Automatic Target Recognition},
author = {Shoaib M. Sami and Nasser M. Nasrabadi and Raghuveer Rao},
journal= {arXiv preprint arXiv:2305.13886},
year = {2023}
}
备注
10 pages, 5 figures