通过分层自我监督学习推进SAR目标识别,使用多任务借口训练进行多任务借口训练
Md Al Siam1, Dewan Fahim Noor1, Mandoye Ndoye1
1Electrical & Computer Engineering Department, Tuskegee University, Tuskegee, AL 36088, USA.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
本研究介绍了一种自主监督学习 (SSL) 框架,用于合成孔径雷达 (SAR) 自动目标识别 (ATR),避免合成数据. 通过利用固有的雷达数据结构,SSL方法显著提高了ATR性能.
科学领域:
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 合成开口雷达 (SAR) 自动目标识别 (ATR) 系统在有限的标记数据和合成和现实世界图像之间的域间隙中扎.
- 当前的方法通常依赖于合成数据,这可能会引入不准确性,并且无法很好地将测量到的SAR数据概括起来.
研究的目的:
- 为SAR ATR开发一个全面的自我监督学习 (SSL) 框架,消除对合成数据的需求.
- 通过利用多任务借口培训和评估各种下游分类器来实现SAR ATR的最先进性能.
- 为SAR ATR建立一个新的范式,利用雷达数据固有的结构.
主要方法:
- 开发了一个多任务SSL框架,有9个借口任务 (几何不变性,信号强度,多尺度分析).
- 该框架通过各种下游分类器进行了评估,包括支持矢量机 (SVM),随机森林,XGBoost,梯度提升,ResNet,U-Net,MobileNet,EfficientNet和生成对抗网络.
- 使用SAMPLE数据集进行了广泛的实验,严格进行交叉验证并与SimCLR基线进行比较.
主要成果:
- 在多个分类器中,SSL框架显著改善了SAR ATR性能.
- SVM实现了99.63%的准确性,随机森林达到99.26%的准确性,ResNet18达到97.40%的准确性.
- 基于任务的SSL在SAR ATR的对比学习 (SimCLR) 相比显示出更高的性能.
结论:
- 拟议的SSL框架为SAR ATR提供了一个强大的和有效的方法,没有合成数据增强.
- 这项工作为部署基于SSL的SAR ATR系统提供了实际指导方针,并为未来对域特定SSL用于遥感的研究奠定了基础.
- 这些发现突出了利用固有的雷达数据结构以提高ATR性能的潜力.
