具有转导辅助分割的半监督 SAR 目标识别框架
计算机视觉与模式识别
2023-09-01 v1
摘要
卷积神经网络（CNNs）在合成孔径雷达（SAR）自动目标识别（ATR）中取得了高性能。然而，CNNs 的性能严重依赖于大量训练数据。标注训练 SAR 图像的不足限制了识别性能，甚至使某些 ATR 方法失效。此外，在少量标注训练数据下，许多现有 CNNs 甚至无效。为应对这些挑战，我们提出了一种具有转导辅助分割的半监督 SAR ATR 框架（SFAS）。所提框架侧重于利用可用未标注样本上的转导泛化，以辅助损失作为正则化项。通过对未标注 SAR 样本进行辅助分割及训练中的信息残差损失（IRL），该框架可采用所提训练循环过程，逐步挖掘识别与分割的信息编译以构建有益的归纳偏置并实现高性能。在 MSTAR 数据集上的实验显示了我们所提 SFAS 在少样本学习上的有效性。在每类 20 个训练样本下可实现 94.18% 的识别性能，同时获得准确分割结果。面对 EOCs 的变化，每类 10 个训练样本时识别率高于 88.00%。
引用
@article{arxiv.2308.16633,
title = {Semi-Supervised SAR ATR Framework with Transductive Auxiliary Segmentation},
author = {Chenwei Wang and Xiaoyu Liu and Yulin Huang and Siyi Luo and Jifang Pei and Jianyu Yang and Deqing Mao},
journal= {arXiv preprint arXiv:2308.16633},
year = {2023}
}