論文の概要: Learning Invariant Representation via Contrastive Feature Alignment for
Clutter Robust SAR Target Recognition
- arxiv url: http://arxiv.org/abs/2304.01747v1
- Date: Tue, 4 Apr 2023 12:35:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 13:58:22.780441
- Title: Learning Invariant Representation via Contrastive Feature Alignment for
Clutter Robust SAR Target Recognition
- Title（参考訳）: クラッタロバストSAR目標認識のためのコントラスト特徴アライメントによる学習不変表現
- Authors: Bowen Peng, Jianyue Xie, Bo Peng, Li Liu
- Abstract要約: 本稿ではコントラスト的特徴アライメント(Contrastive Feature Alignment, CFA)と呼ばれる手法を提案し, 頑健な認識のための不変表現を学習する。
CFAは、分類とCWMSEの損失を組み合わせて、モデルを共同で訓練する。
提案したCFAは、分類とCWMSE損失を併用してモデルをトレーニングし、不変対象表現の漸進的学習を可能にする。
- 参考スコア（独自算出の注目度）: 10.993101256393679
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deep neural networks (DNNs) have freed the synthetic aperture radar
automatic target recognition (SAR ATR) from expertise-based feature designing
and demonstrated superiority over conventional solutions. There has been shown
the unique deficiency of ground vehicle benchmarks in shapes of strong
background correlation results in DNNs overfitting the clutter and being
non-robust to unfamiliar surroundings. However, the gap between fixed
background model training and varying background application remains
underexplored. Inspired by contrastive learning, this letter proposes a
solution called Contrastive Feature Alignment (CFA) aiming to learn invariant
representation for robust recognition. The proposed method contributes a mixed
clutter variants generation strategy and a new inference branch equipped with
channel-weighted mean square error (CWMSE) loss for invariant representation
learning. In specific, the generation strategy is delicately designed to better
attract clutter-sensitive deviation in feature space. The CWMSE loss is further
devised to better contrast this deviation and align the deep features activated
by the original images and corresponding clutter variants. The proposed CFA
combines both classification and CWMSE losses to train the model jointly, which
allows for the progressive learning of invariant target representation.
Extensive evaluations on the MSTAR dataset and six DNN models prove the
effectiveness of our proposal. The results demonstrated that the CFA-trained
models are capable of recognizing targets among unfamiliar surroundings that
are not included in the dataset, and are robust to varying signal-to-clutter
ratios.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、合成開口レーダー自動目標認識(SAR ATR)を専門知識に基づく特徴設計から解放し、従来のソリューションよりも優れていることを示した。
背景相関の強い形状における地上車両ベンチマークの特異な欠如が示されており、DNNは乱雑な環境に過度に適合し、不慣れな環境に非破壊的である。
しかし、固定バックグラウンドモデルトレーニングと様々なバックグラウンドアプリケーションとのギャップは、まだ未定である。
コントラスト学習にインスパイアされたこの手紙は、頑健な認識のための不変表現を学習することを目的としたContrastive Feature Alignment (CFA)と呼ばれるソリューションを提案する。
提案手法は,可変表現学習においてチャネル重み付き平均二乗誤差(cwmse)損失を持つ新しい推論枝と混合クラッタ変分生成戦略に寄与する。
特に、生成戦略は、特徴空間における乱れに敏感な偏差を引き付けるように微妙に設計されている。
CWMSEの損失は、この偏差をよく対比し、元の画像と対応するクラッタの変種によって活性化される深い特徴を整列するようにさらに考案されている。
提案したCFAは、分類とCWMSE損失を併用してモデルをトレーニングし、不変対象表現の漸進的学習を可能にする。
MSTARデータセットと6つのDNNモデルに対する大規模な評価により,提案手法の有効性が証明された。
その結果、CFA学習モデルでは、データセットに含まれない未知の環境のターゲットを認識でき、信号対クラッタ比の変動に頑健であることがわかった。
関連論文リスト
- Adaptive Residual Transformation for Enhanced Feature-Based OOD Detection in SAR Imagery [5.63530048112308]
実際の戦場シナリオにおける未知の標的の存在は避けられない。
この問題に対処するために、様々な機能ベースのアウト・オブ・ディストリビューションアプローチが開発されている。
我々は,特徴量に基づくOOD検出をクラス局所化された特徴量に基づくアプローチに変換することを提案する。
論文 参考訳（メタデータ） (2024-11-01T00:09:02Z) - PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
PseudoNeg-MAEは,ポイントマスク自動エンコーダのグローバルな特徴表現を強化する,自己教師型学習フレームワークである。
PseudoNeg-MAE は ModelNet40 と ScanObjectNN のデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-09-24T07:57:21Z) - Bayesian Learning-driven Prototypical Contrastive Loss for Class-Incremental Learning [42.14439854721613]
本稿では,クラス増分学習シナリオに特化して,ベイズ学習駆動型コントラスト損失(BLCL)を持つプロトタイプネットワークを提案する。
提案手法は,ベイズ学習手法を用いて,クロスエントロピーとコントラスト損失関数のバランスを動的に適用する。
論文 参考訳（メタデータ） (2024-05-17T19:49:02Z) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳（メタデータ） (2023-03-24T16:03:21Z) - Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification
in the Presence of Data Heterogeneity [60.791736094073]
通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。
本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。
提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
論文 参考訳（メタデータ） (2023-02-19T17:42:35Z) - Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。
この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。
本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-08T04:09:13Z) - Feature Diversity Learning with Sample Dropout for Unsupervised Domain
Adaptive Person Re-identification [0.0]
本稿では,ノイズの多い擬似ラベルを限定することで,より優れた一般化能力を持つ特徴表現を学習する手法を提案する。
我々は,古典的な相互学習アーキテクチャの下で,FDL(Feature Diversity Learning)と呼ばれる新しい手法を提案する。
実験の結果,提案するFDL-SDは,複数のベンチマークデータセット上での最先端性能を実現することがわかった。
論文 参考訳（メタデータ） (2022-01-25T10:10:48Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - Pose Discrepancy Spatial Transformer Based Feature Disentangling for
Partial Aspect Angles SAR Target Recognition [11.552273102567048]
本文は、合成開口レーダ(SAR)自動目標認識(ATR)のための新しいフレームワークであるDistSTNを提示する。
従来のSAR ATRアルゴリズムとは対照的に、DistSTNは非協調ターゲットのより困難な実用シナリオを検討している。
エンコーダデコーダ機構を用いて効率的な特徴抽出と認識を可能にする償却推論方式を開発する。
論文 参考訳（メタデータ） (2021-03-07T11:47:34Z) - Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。
本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。
複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
論文 参考訳（メタデータ） (2020-03-31T22:38:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。