基于全合成MOCEM数据训练深度学习模型的MSTAR鲁棒SAR目标识别
计算机视觉与模式识别
2022-06-16 v1 机器学习
神经与进化计算
图像与视频处理
摘要
深度学习在合成孔径雷达（SAR）图像自动目标识别（ATR）上的可观潜力，在考虑采集训练数据集测量的复杂性时便消失了。仿真可通过生成合成训练数据集克服此问题。然而，由于仿真的代表性有限，以传统方式用合成图像训练的模型在测试时处理真实测量时泛化能力受限。先前工作确定了一组同样有前景的深度学习算法以应对该问题。但这些方法在一个非常有利的场景下评估，其合成训练数据集过拟合了实测测试数据的真值。本文中，我们在这一理想条件之外研究ATR问题，而该条件在真实作战语境中不太可能出现。我们的贡献有三方面。（1）使用MOCEM仿真器（由SCALIAN DS为法国国防部/DGA开发），我们生成与真实测量显著不同的合成MSTAR训练数据集。（2）我们从实验上证明了最先进方法的局限。（3）我们展示域随机化技术与对抗训练可结合以克服该问题。我们证明该方法比最先进方法更鲁棒，准确率达75%，且在训练中对计算性能影响有限。
引用
@article{arxiv.2206.07352,
title = {Robust SAR ATR on MSTAR with Deep Learning Models trained on Full Synthetic MOCEM data},
author = {Benjamin Camus and Corentin Le Barbu and Eric Monteux},
journal= {arXiv preprint arXiv:2206.07352},
year = {2022}
}