基于图的主动学习用于SAR数据半监督分类
机器学习
2022-04-04 v1 人工智能
计算机视觉与模式识别
数值分析
图像与视频处理
数值分析
摘要
我们提出了一种合成孔径雷达（SAR）数据分类的新方法，通过在主动学习框架中结合基于图学习的思想和神经网络方法。机器学习中的基于图的方法建立在由数据构建的相似图之上。当数据由包含场景的原始图像组成时，无关信息会使分类任务更加困难。近年来，神经网络方法已被证明为从SAR图像中提取模式提供了有前景的框架。然而，这些方法需要充足的训练数据以避免过拟合。同时，对于感兴趣的应用（如自动目标识别（ATR）和SAR数据），此类训练数据往往不可用。我们使用卷积神经网络变分自编码器（CNNVAE）将SAR数据嵌入特征空间，然后从嵌入数据构建相似图并应用基于图的半监督学习技术。CNNVAE特征嵌入和图构建不需要标注数据，这减少了过拟合并提升了图学习在低标注率下的泛化性能。此外，该方法易于在数据标注过程中结合人在回路的主动学习。我们给出了有前景的结果，并在移动与静止目标获取和识别（MSTAR）数据集上针对少量标注数据的ATR任务与其他标准机器学习方法进行了比较。
引用
@article{arxiv.2204.00005,
title = {Graph-based Active Learning for Semi-supervised Classification of SAR Data},
author = {Kevin Miller and John Mauro and Jason Setiadi and Xoaquin Baca and Zhan Shi and Jeff Calder and Andrea L. Bertozzi},
journal= {arXiv preprint arXiv:2204.00005},
year = {2022}
}