LDSF：耦合局部电磁散射特征与全局视觉特征的轻量化双流 SAR 目标识别框架
图像与视频处理
2024-11-18 v1
摘要
主流的基于深度神经网络 (DNN) 的 SAR 自动目标识别 (SAR-ATR) 方法仍面临少量训练数据容易过拟合、计算开销高以及黑盒模型可解释性差等问题。将物理知识融入 DNN 以提高性能并实现更高水平的物理解释性，成为解决上述问题的关键。本文首先关注电磁 (EM) 后向散射机制。我们从复数 SAR 数据中提取电磁散射 (EMS) 信息，并通过双流框架将目标的物理属性整合到网络中，以引导网络学习具有物理意义和判别性的特征。具体而言，一个流是局部 EMS 特征 (LEMSF) 提取网络，它是一个由多级多头注意力机制引导的异构图神经网络 (GNN)。LEMSF 利用 EMS 信息获取拓扑结构特征和高层物理语义特征。另一个流是基于卷积神经网络 (CNN) 的全局视觉特征 (GVF) 提取网络，用于从图像域捕捉 SAR 图像的视觉特征。在获得双流特征后，提出了一种特征融合子网络来自适应地学习融合策略，从而使双流特征的性能最大化。此外，损失函数基于图距离度量设计，以促进类内聚合。我们摒弃了过于复杂的设计思路，在保持算法性能的同时有效控制了模型规模。最后，为了更好地验证算法的性能和泛化能力，采用了两次更为严格的评估协议，即一次成型 (OFA) 和少样本多收益 (LFM)，以验证所提算法在 MSTAR 数据集上的优越性。
引用
@article{arxiv.2403.03527,
title = {LDSF: Lightweight Dual-Stream Framework for SAR Target Recognition by Coupling Local Electromagnetic Scattering Features and Global Visual Features},
author = {Xuying Xiong and Xinyu Zhang and Weidong Jiang and Tianpeng Liu},
journal= {arXiv preprint arXiv:2403.03527},
year = {2024}
}