高分辨率多普勒频谱数据的 MFN 分解及相关指标：用于生成模型
计算机视觉与模式识别
2026-02-17 v1 机器学习
摘要
高分辨率多普勒频谱（HRRP）数据在雷达自动目标识别（RATR）中备受关注。随着使用 HRRP 数据进行分类模型建模的兴趣增长，对生成模型用于填补数据集空白的问题近期获得了有前景的贡献。然而，评估生成数据是一个具有挑战性的问题，即便是像人脸图像这样的显式数据。在 HRRP 生成的最新研究中，评估方法依赖于分类模型。此类模型被称为“黑箱”，既不能对生成数据提供可解释性，也不能进行多层次评估。本文关注将 HRRP 数据分解为三个组成部分：掩模、特征和噪声。通过该分解，我们提出了基于这些数据物理解释的两个指标。我们利用昂贵的数据集对这些指标进行评估，并在一个具有挑战性的任务上展示了这些指标的判别能力。
引用
@article{arxiv.2602.13296,
title = {MFN Decomposition and Related Metrics for High-Resolution Range Profiles Generative Models},
author = {Edwyn Brient and Santiago Velasco-Forero and Rami Kassab},
journal= {arXiv preprint arXiv:2602.13296},
year = {2026}
}