基于电磁散射核引导的全向点学习用于合成孔径雷达开放集识别
计算机视觉与模式识别
2024-12-09 v2 人工智能
摘要
现有合成孔径雷达 (Synthetic Aperture Radar, SAR) 自动目标识别 (Automatic Target Recognition, ATR) 方法的局限性在于其受限于封闭环境假设，阻碍其在开放环境中有效且稳健地处理未知目标类别。开放集识别 (Open Set Recognition, OSR) 是算法实用性的关键方面，旨在对已知类别进行分类，同时将未知类别标记为“未知”。OSR 的主要挑战在于：同时缓解从受限的已知类别迁移到大量未知样本的特征泛化风险，以及对潜在未知数据的开放空间暴露风险。为了增强开放集 SAR 分类，提出了一种称为散射核的全向学习网络方法。首先，基于全向点学习 (reciprocal point learning, RPL) 构建特征学习框架，建立潜在未知类别的受限空间。该方法间接地将未知信息引入仅受限于已知类别的学习器，从而获得更简洁且更具辨识力的表示。随后，考虑到目标在不同角度成像的可变性以及 SAR 图像中成分的离散性，提出基于大型属性散射中心模型设计卷积核。这增强了从 SAR 图像中提取固有非线性特征和特定散射特征的能力，从而提高模型的辨识特征并减轻成像变异对分类性能的影响。在 MSTAR 数据集上的实验实证了所提出的方法 (称为 ASC-RPL) 相对于主流方法的优异性能。
引用
@article{arxiv.2411.04693,
title = {Electromagnetic Scattering Kernel Guided Reciprocal Point Learning for SAR Open-Set Recognition},
author = {Xiayang Xiao and Zhuoxuan Li and Ruyi Zhang and Jiacheng Chen and Haipeng Wang},
journal= {arXiv preprint arXiv:2411.04693},
year = {2024}
}