論文の概要: Semi-Supervised SAR ATR Framework with Transductive Auxiliary Segmentation

• arxiv url: http://arxiv.org/abs/2308.16633v1
• Date: Thu, 31 Aug 2023 11:00:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 14:42:59.488697
• Title: Semi-Supervised SAR ATR Framework with Transductive Auxiliary Segmentation
• Title（参考訳）: トランスダクティブ補助セグメントを用いたセミスーパービジョンSAR ATRフレームワーク
• Authors: Chenwei Wang, Xiaoyu Liu, Yulin Huang, Siyi Luo, Jifang Pei, Jianyu Yang, Deqing Mao
• Abstract要約: トランスダクティブ補助ATR(SFAS)を用いた半教師付きSARフレームワークを提案する。 SFASは、レギュレータとして機能する補助損失を持つ、利用可能な未ラベルサンプルのトランスダクティブ一般化の活用に重点を置いている。 94.18%の認識性能は各クラスで20のトレーニングサンプルで達成でき、同時に正確なセグメンテーション結果が得られる。
• 参考スコア（独自算出の注目度）: 16.65792542181861
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional neural networks (CNNs) have achieved high performance in synthetic aperture radar (SAR) automatic target recognition (ATR). However, the performance of CNNs depends heavily on a large amount of training data. The insufficiency of labeled training SAR images limits the recognition performance and even invalidates some ATR methods. Furthermore, under few labeled training data, many existing CNNs are even ineffective. To address these challenges, we propose a Semi-supervised SAR ATR Framework with transductive Auxiliary Segmentation (SFAS). The proposed framework focuses on exploiting the transductive generalization on available unlabeled samples with an auxiliary loss serving as a regularizer. Through auxiliary segmentation of unlabeled SAR samples and information residue loss (IRL) in training, the framework can employ the proposed training loop process and gradually exploit the information compilation of recognition and segmentation to construct a helpful inductive bias and achieve high performance. Experiments conducted on the MSTAR dataset have shown the effectiveness of our proposed SFAS for few-shot learning. The recognition performance of 94.18\% can be achieved under 20 training samples in each class with simultaneous accurate segmentation results. Facing variances of EOCs, the recognition ratios are higher than 88.00\% when 10 training samples each class.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は合成開口レーダ(SAR)自動目標認識(ATR)において高い性能を達成している。 しかし、cnnの性能は大量のトレーニングデータに大きく依存している。 ラベル付きトレーニングsar画像の不足は認識性能を制限し、いくつかのatr手法を無効にする。 さらに、ラベル付きトレーニングデータが少ないと、既存のCNNの多くは効果がありません。 これらの課題に対処するために,トランスダクティブ補助セグメント(SFAS)を用いた半教師付きSAR ATRフレームワークを提案する。 提案手法は, 補助損失を正規化器として用いることで, 利用可能なラベルなしサンプルにおけるトランスダクティブ一般化の活用に焦点をあてている。 未ラベルSARサンプルの補助的セグメンテーションとトレーニングにおける情報残留損失(IRL)により、提案したトレーニングループプロセスを用いて、認識とセグメンテーションの情報コンパイルを段階的に活用し、有益な帰納バイアスを構築し、高い性能を達成する。 MSTARデータセットを用いた実験により,提案したSFASの有効性が示された。 94.18\%の認識性能は、各クラスの20のトレーニングサンプルで同時に正確なセグメンテーション結果が得られる。 eocのばらつきに直面すると、各クラス10のトレーニングサンプルの認識率は88.00\%以上になる。

関連論文リスト

• GLRT-Based Metric Learning for Remote Sensing Object Retrieval [19.210692452537007]
  既存のCBRSOR法は、訓練段階と試験段階の両方において、グローバルな統計情報の利用を無視する。 ナイマン・ピアソンの定理にインスパイアされた我々は、一般化された確率比テストベースメトリックラーニング(GLRTML)アプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-08T07:53:30Z)
• Weakly Contrastive Learning via Batch Instance Discrimination and Feature Clustering for Small Sample SAR ATR [7.2932563202952725]
  BIDFC(Batch Instance Discrimination and Feature Clustering)と呼ばれる新しいフレームワークを提案する。 本枠組みでは,SAR画像中の試料間の類似度が高いため,試料間の埋め込み距離は適度である。 移動・静止目標獲得・認識(MSTAR)データベースの実験結果から,3.13%のトレーニングデータに基づいて,本手法の91.25%の分類精度が得られた。
  論文  参考訳（メタデータ） (2024-08-07T08:39:33Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
  我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。 本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
  論文  参考訳（メタデータ） (2023-11-22T03:45:30Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Boosting Facial Expression Recognition by A Semi-Supervised Progressive Teacher [54.50747989860957]
  本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。 RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
  論文  参考訳（メタデータ） (2022-05-28T07:47:53Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Unsupervised Class-Incremental Learning Through Confusion [0.4604003661048266]
  入ってくるデータを新しいクラスとして訓練することによるネットワークの混乱を生かした新規性検出手法を提案する。 この検出方法中にクラスアンバランスを組み込むことで、パフォーマンスが大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-04-09T15:58:43Z)
• Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
  ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。 本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
  論文  参考訳（メタデータ） (2020-12-16T21:46:33Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)

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。