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

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.