基于可解释深度学习光子ISAR成像系统的高分辨率可靠自动目标识别
信号处理
2022-12-06 v1
摘要
基于逆合成孔径雷达(ISAR)图像的自动目标识别(ATR)在军事和民用领域被广泛用于环境监测,必须高精度且可靠。光子技术带宽宽的优点使ISAR系统能够实现高分辨率成像,有利于获得高性能的ATR。深度学习(DL)算法已取得优异的识别精度。然而,DL算法缺乏可解释性导致了令人头疼的可信度问题。在本文中,我们利用光子ISAR成像系统与卷积神经网络(CNN)行为之间的内在联系来深入理解智能识别。具体而言,我们调控成像物理过程并分析网络输出、ISAR图像与网络输出的相关性,以及网络输出层中特征的可视化。结果表明,更宽的成像带宽和适当的成像角度带来更细致的结构和轮廓特征,以及不同目标ISAR图像间更大的差异,这有助于CNN依据物理规律识别和区分物体。然后,基于光子ISAR成像系统和可解释CNN,我们实现了高精度且可靠的ATR。据我们所知,通过探究数据生成物理过程对网络行为的影响来解释DL算法尚无先例。期望该工作不仅能启发高性能ATR的实现,也能为探索网络行为提供新见解,从而获得更好的智能能力。
引用
@article{arxiv.2212.01560,
title = {High-resolution and reliable automatic target recognition based on photonic ISAR imaging system with explainable deep learning},
author = {Xiuting Zou and Anyi Deng and Yiheng Hu and Shiyu Hua and Linbo Zhang and Shaofu Xu and Weiwen Zou},
journal= {arXiv preprint arXiv:2212.01560},
year = {2022}
}