用于深度学习 ATR 中数据增强的稀疏信号模型
计算机视觉与模式识别
2022-07-27 v2 机器学习
图像与视频处理
信号处理
摘要
自动目标识别（ATR）算法利用每类可用的一组训练图像，将给定的合成孔径雷达（SAR）图像分类为已知目标类之一。最近，如果有丰富的训练数据、在各类别及其姿态上均匀采样，学习方法已显示出达到最先进的分类精度。在本文中，我们考虑在训练图像有限的情况下的 ATR 任务。我们提出一种数据增强方法，以纳入领域知识并提高数据密集型学习算法（如卷积神经网络（CNN））的泛化能力。所提出的数据增强方法采用有限持续稀疏建模方法，利用宽角合成孔径雷达（SAR）图像中常见观察到的特性。具体而言，我们利用空间域中散射中心的稀疏性以及方位角域中散射系数的平滑变化结构，来解决过参数化模型拟合的不适定问题。利用该估计模型，我们在给定数据中不可用的姿态和亚像素平移处合成新图像，以扩充 CNN 的训练数据。实验结果表明，在训练数据匮乏区域，所提出的方法在所得 ATR 算法的泛化性能上提供了显著增益。
引用
@article{arxiv.2012.09284,
title = {Sparse Signal Models for Data Augmentation in Deep Learning ATR},
author = {Tushar Agarwal and Nithin Sugavanam and Emre Ertin},
journal= {arXiv preprint arXiv:2012.09284},
year = {2022}
}
备注
12 pages, 5 figures, to be submitted to IEEE Transactions on Geoscience and Remote Sensing