发现并解释深度学习在SAR目标识别中的非因果性
计算机视觉与模式识别
2023-04-13 v4 机器学习
摘要
近年来，深度学习已广泛应用于SAR目标识别（SAR ATR），并在MSTAR数据集上取得了优异性能。然而，受限于成像条件，MSTAR存在数据偏差，例如背景相关性，即背景杂波特性与目标类别之间存在伪相关。深度学习可能过拟合杂波以降低训练误差。因此，杂波的过拟合程度反映了深度学习在SAR ATR中的非因果性。现有方法仅定性分析该现象。本文中，我们基于Shapley值量化不同区域对目标识别的贡献。杂波的Shapley值衡量了过拟合程度。此外，我们解释了数据偏差与模型偏差如何导致非因果性。简言之，数据偏差导致训练集与测试集中信杂比和杂波纹理相近。而不同模型结构对这些偏差具有不同程度的过拟合。在MSTAR数据集标准工作条件下多种模型的实验结果支持了我们的结论。我们的代码见 https://github.com/waterdisappear/Data-Bias-in-MSTAR。
引用
@article{arxiv.2304.00668,
title = {Discovering and Explaining the Non-Causality of Deep Learning in SAR ATR},
author = {Weijie Li and Wei Yang and Li Liu and Wenpeng Zhang and Yongxiang Liu},
journal= {arXiv preprint arXiv:2304.00668},
year = {2023}
}