模型融合与实测数据在拒识未知目标中的可比性
计算机视觉与模式识别
2025-05-05 v1
摘要
数据收集一直是大型深度学习网络建模和训练中的一个主要问题，因为没有哪个数据集能涵盖我们在实际使用中可能遇到的每一种细微偏差。对于合成孔径雷达 (SAR) 来说，收集样本可能尤其昂贵，这限制了我们能观察到的独特目标和操作条件的数量。为了应对这种数据缺乏，人们开发了利用弹跳射线法的模拟器，以便在三维模型上生成合成 SAR 数据。虽然有效，但合成生成的数据与实测数据并不完全相关，这导致仅用合成数据训练模型时会出现问题。我们的目标是通过集成许多在合成数据上训练的模型，用计算能力替代高质量实测数据的缺乏。合成数据也不完整，因为我们不知道实际环境中可能存在哪些目标。因此，我们需要通过应用拒识未知目标技术，使我们的集成技术能够考虑到这些未知目标，即我们的模型将拒绝其遇到的未知目标，只对其训练过的目标进行分类。
引用
@article{arxiv.2505.00836,
title = {The Comparability of Model Fusion to Measured Data in Confuser Rejection},
author = {Conor Flynn and Christopher Ebersole and Edmund Zelnio},
journal= {arXiv preprint arXiv:2505.00836},
year = {2025}
}
备注
Conference paper for SPIE Defense and Commercial Sensing Algorithms for Synthetic Aperture Radar Imagery XXXII. 14 pages, 9 figures