具有联合手工特征视图的双流对比预测网络用于 SAR 舰船分类
计算机视觉与模式识别
2023-12-01 v2
摘要
大多数现有的合成孔径雷达（SAR）舰船分类技术严重依赖正确标注的数据，忽略了未标注 SAR 舰船图像的判别性特征。尽管研究者尝试通过引入传统手工特征来丰富基于 CNN 的特征，现有方法易造成信息冗余且无法捕捉它们之间的交互。为解决这些问题，我们提出一种新颖的双流对比预测网络（DCPNet），其由两项非对称任务设计和假负样本消除模块组成。第一项任务是构建正样本对，引导核心编码器学习更具泛化性的表示。第二项任务是鼓励自适应捕捉深度特征与手工特征之间的对应关系，实现模型内的知识迁移，并有效改善由特征融合引起的冗余。为提高簇间可分离性，我们还设计了一项簇级任务。在 OpenSARShip 和 FUSAR-Ship 数据集上的实验结果证明了监督模型分类准确率的提升，并确认了 DCPNet 学习有效表示的能力。
引用
@article{arxiv.2311.15202,
title = {Dual-stream contrastive predictive network with joint handcrafted feature view for SAR ship classification},
author = {Xianting Feng and Hao zheng and Zhigang Hu and Liu Yang and Meiguang Zheng},
journal= {arXiv preprint arXiv:2311.15202},
year = {2023}
}
备注
6 pages, 3 figures, ICASSP2024