用于雷达目标检测的多域特征引导监督对比学习
计算机视觉与模式识别
2025-01-10 v2
摘要
由于动态的海上条件，在海杂波中检测小目标具有挑战性。现有的解决方案要么对海杂波进行建模以进行检测，要么基于杂波-目标回波差异提取目标特征，包括统计特征和深度特征。虽然后者更为常见，但通常在受控场景中表现出色，而在多样化环境中却难以实现稳健的检测和泛化，限制了其实际应用。在本文中，我们提出了一种多域特征引导监督对比学习（MDFG_SCL）方法，该方法将多域差异导出的统计特征与通过监督对比学习获得的深度特征相结合，从而捕获低级特定领域变化和高级语义信息。这种全面的特征集成使模型即使在具有挑战性的条件下也能有效区分小目标和海杂波。在真实数据集上进行的实验表明，所提出的由浅到深检测器不仅实现了对小 maritime 目标的有效识别，而且在不同的海况下保持了优异的检测性能，优于主流的无监督对比学习和监督对比学习方法。
引用
@article{arxiv.2412.12620,
title = {Multi-Domain Features Guided Supervised Contrastive Learning for Radar Target Detection},
author = {Junjie Wang and Yuze Gao and Dongying Li and Wenxian Yu},
journal= {arXiv preprint arXiv:2412.12620},
year = {2025}
}