面向鲁棒SAR车辆识别的分层解耦-对齐网络
计算机视觉与模式识别
2024-09-24 v2
摘要
车辆识别是SAR图像解译中的基础问题。然而,由于类内差异大、类间差异小,SAR中鲁棒地识别车辆目标是一项具有挑战性的任务。此外,缺乏大型数据集进一步使该任务复杂化。受目标特征变异分析与深度学习可解释性启发,本文提出一种名为分层解耦-对齐网络(HDACNet, Hierarchical Disentanglement-Alignment Network)的新域对齐框架,以在各种操作条件下实现鲁棒性。简言之,HDANet将特征解耦与对齐集成到一个统一框架中,包含三个模块:域数据生成、多任务辅助掩膜解耦,以及目标特征的域对齐。第一个模块生成用于对齐的多样化数据,并设计了三种简单但有效的数据增强方法来模拟目标特征变异。第二个模块利用多任务辅助掩膜将目标特征从背景杂波中解耦,以防止杂波干扰后续对齐。第三个模块采用对比损失进行域对齐,从生成的多样化数据和解耦特征中提取鲁棒目标特征。最后,所提方法在MSTAR数据集的九种操作条件下展现出令人印象深刻的鲁棒性,大量定性与定量分析验证了我们的框架的有效性。
引用
@article{arxiv.2304.03550,
title = {Hierarchical Disentanglement-Alignment Network for Robust SAR Vehicle Recognition},
author = {Weijie Li and Wei Yang and Wenpeng Zhang and Tianpeng Liu and Yongxiang Liu and Li Liu},
journal= {arXiv preprint arXiv:2304.03550},
year = {2024}
}