基于 MobileNetV3 的有限训练数据下 SAR 自动目标识别
图像与视频处理
2023-08-11 v2
摘要
近年来，深度学习被广泛用于解决合成孔径雷达（SAR）自动目标识别（ATR）的瓶颈问题。然而，当前大多数方法严重依赖大量训练样本且参数量大，导致在有限训练样本下失效。在实际应用中，SAR ATR 方法不仅需要在有限训练数据下具有优越性能，还需具备实时性。因此，我们尝试使用轻量级网络在有限训练样本下进行 SAR ATR，其相比常规网络具有更少的参数、更小的计算量和更短的推理时间。同时，该轻量级网络结合了现有轻量级网络的优点，并使用 MnasNet 与 NetAdapt 算法的组合来寻找给定问题的最优神经网络架构。通过在运动与静止目标获取与识别（MSTAR）数据集上的实验与对比，验证了该轻量级网络在有限训练样本下对 SAR ATR 具有优异的识别性能且计算量极小，体现了该网络结构在实际应用中的巨大潜力。
引用
@article{arxiv.2306.15287,
title = {SAR ATR under Limited Training Data Via MobileNetV3},
author = {Chenwei Wang and Siyi Luo and Lin Liu and Yin Zhang and Jifang Pei and Yulin Huang and Jianyu Yang},
journal= {arXiv preprint arXiv:2306.15287},
year = {2023}
}
备注
6 pages, 3 figures, published in 2023 IEEE Radar Conference (RadarConf23)