基于模拟数据的渐进式多级对齐半监督域适应SAR目标识别
计算机视觉与模式识别
2024-11-08 v1 图像与视频处理
摘要
最近，针对合成孔径雷达（SAR）图像的自动目标识别（ATR）出现了一个引人关注的研究趋势：使用模拟数据训练ATR模型是解决测量数据不足问题的可行方案。为了缩小真实数据与模拟数据之间的域差距，无监督域适应（UDA）技术常被用于构建ATR模型。然而，对于UDA而言，目标域缺乏标注数据来指导模型训练，这对ATR性能构成了巨大挑战。为了解决上述问题，提出了一种半监督域适应（SSDA）框架，采用渐进式多级对齐方法用于模拟数据辅助的SAR ATR。首先，通过分析两个域图像的小波分解子带差异，提出了一种渐进式小波变换数据增强（PWTDA）方法，实现域级对齐。具体而言，通过混合小波变换高频子带分量来缩小域差距。其次，我们开发了一种渐近实例-原型对齐（AIPA）策略，将源域实例推向对应的目标原型，旨在实现类别级对齐。此外，通过挖掘单样本和多样本关系的强-弱增强一致性来实现一致性对齐，增强模型的泛化能力。在合成与测量配对标注实验（SAMPLE）数据集上的大量实验表明，我们的方法在两个常见实验设置下，仅使用目标域每类一个标注样本，即可获得99.63%和98.91%的识别准确率，超越了最先进的SSDA技术。
引用
@article{arxiv.2411.04711,
title = {Progressive Multi-Level Alignments for Semi-Supervised Domain Adaptation SAR Target Recognition Using Simulated Data},
author = {Xinzheng Zhang and Hui Zhu and Hongqian Zhuang},
journal= {arXiv preprint arXiv:2411.04711},
year = {2024}
}