用于精确低复杂度 SAR 自动目标识别的图神经网络
计算机视觉与模式识别
2023-05-15 v1 分布式、并行与集群计算
摘要
合成孔径雷达（SAR）自动目标识别（ATR）是遥感图像识别的关键技术。现有最优工作利用深度卷积神经网络（CNNs）进行 SAR ATR，导致高计算成本。这些深度 CNN 模型不适合部署在资源受限平台上。在本文中，我们提出一种图神经网络（GNN）模型，以实现精确且低延迟的 SAR ATR。我们将输入的 SAR 图像转换为图表示。所提 GNN 模型由堆叠的 GNN 层组成，这些层在输入图上操作以执行目标分类。与需要繁重卷积操作的最优 CNNs 不同，所提 GNN 模型具有低计算复杂度并达到相当的高精度。基于 GNN 的方法使我们提出\emph{输入剪枝}策略。通过滤除输入图中的无关顶点，我们可降低计算复杂度。此外，我们提出\emph{模型剪枝}策略以稀疏化模型权重矩阵，进一步降低计算复杂度。我们在 MSTAR 数据集和舰船判别数据集上评估所提 GNN 模型。评估结果显示，所提 GNN 模型在上述两个数据集上分别达到 99.38\% 和 99.7\% 的分类精度。所提剪枝策略可剪枝 98.6\% 输入顶点和 97\% 权重项，且精度损失可忽略。与最优 CNNs 相比，所提 GNN 模型仅具有 1/3000 的计算成本和 1/80 的模型大小。
引用
@article{arxiv.2305.07119,
title = {Graph Neural Network for Accurate and Low-complexity SAR ATR},
author = {Bingyi Zhang and Sasindu Wijeratne and Rajgopal Kannan and Viktor Prasanna and Carl Busart},
journal= {arXiv preprint arXiv:2305.07119},
year = {2023}
}