論文の概要: EMWaveNet: Physically Explainable Neural Network Based on Electromagnetic Propagation for SAR Target Recognition
- arxiv url: http://arxiv.org/abs/2410.09749v2
- Date: Thu, 26 Dec 2024 13:22:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-30 17:22:15.297866
- Title: EMWaveNet: Physically Explainable Neural Network Based on Electromagnetic Propagation for SAR Target Recognition
- Title(参考訳): EMWaveNet:SARターゲット認識のための電磁伝搬に基づく物理的に説明可能なニューラルネットワーク
- Authors: Zhuoxuan Li, Xu Zhang, Shumeng Yu, Haipeng Wang,
- Abstract要約: 本研究では,複雑なSAR画像認識のための物理的に説明可能なフレームワークを提案する。
ネットワークアーキテクチャは完全にパラメータ化されており、すべての学習可能なパラメータには明確な物理的意味がある。
提案手法は, 強力な物理決定論理, 高い物理説明性, 堅牢性, および優れた de-aliasing 機能を有する。
- 参考スコア(独自算出の注目度): 4.251056028888424
- License:
- Abstract: Deep learning technologies have significantly improved performance in the field of synthetic aperture radar (SAR) image target recognition compared to traditional methods. However, the inherent ``black box" property of deep learning models leads to a lack of transparency in decision-making processes, making them difficult to be widespread applied in practice. To tackle this issue, this study proposes a physically explainable framework for complex-valued SAR image recognition, designed based on the physical process of microwave propagation. This framework utilizes complex-valued SAR data to explore the amplitude and phase information and its intrinsic physical properties. The network architecture is fully parameterized, with all learnable parameters endowed with clear physical meanings. Experiments on both the complex-valued MSTAR dataset and a self-built Qilu-1 complex-valued dataset were conducted to validate the effectiveness of framework. The de-overlapping capability of EMWaveNet enables accurate recognition of overlapping target categories, whereas other models are nearly incapable of performing such recognition. Against 0dB forest background noise, it boasts a 20\% accuracy improvement over traditional neural networks. When targets are 60\% masked by noise, it still outperforms other models by 9\%. An end-to-end complex-valued synthetic aperture radar automatic target recognition (SAR-ATR) algorithm is constructed to perform recognition tasks in interference SAR scenarios. The results demonstrate that the proposed method possesses a strong physical decision logic, high physical explainability and robustness, as well as excellent de-aliasing capabilities. Finally, a perspective on future applications is provided.
- Abstract(参考訳): 深層学習技術は、従来の手法と比較して合成開口レーダ(SAR)画像目標認識の分野における性能を著しく向上させた。
しかし、ディープラーニングモデルに固有の‘ブラックボックス’の性質は、意思決定プロセスにおける透明性の欠如につながります。
そこで本研究では,マイクロ波伝搬の物理過程に基づく複雑なSAR画像認識のための物理的に説明可能なフレームワークを提案する。
このフレームワークは、複雑な値を持つSARデータを用いて、振幅および位相情報とその固有の物理特性を探索する。
ネットワークアーキテクチャは完全にパラメータ化されており、すべての学習可能なパラメータには明確な物理的意味がある。
複雑な値を持つMSTARデータセットと自己構築されたQilu-1複合値データセットの両方の実験を行い、フレームワークの有効性を検証した。
EMWaveNetの重複解消機能は、重複する対象カテゴリの正確な認識を可能にするが、他のモデルではそのような認識がほとんどできない。
0dBの森の背景ノイズに対して、従来のニューラルネットワークよりも20倍の精度で改善されている。
60 % のターゲットがノイズで遮蔽されている場合、他のモデルよりも 9 % 上回っている。
合成開口レーダ自動目標認識(SAR-ATR)アルゴリズムは、干渉SARシナリオにおける認識タスクを実行するために構築される。
提案手法は, 高い物理的論理, 高い物理的説明性, 堅牢性, および優れた de-aliasing 能力を有することを示す。
最後に、将来のアプリケーションに対する展望を提供する。
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) - IncSAR: A Dual Fusion Incremental Learning Framework for SAR Target Recognition [13.783950035836593]
IncSARは、ターゲット認識における破滅的な忘れに対処するために設計された漸進的な学習フレームワークである。
SAR画像に固有のスペックルノイズを軽減するため、ニューラルネットワーク近似に基づくデノナイジングモジュールを用いる。
MSTAR、SAR-AIRcraft-1.0、OpenSARShipベンチマークデータセットの実験は、IncSARが最先端のアプローチを大幅に上回っていることを示している。
論文 参考訳(メタデータ) (2024-10-08T08:49:47Z) - Towards SAR Automatic Target Recognition MultiCategory SAR Image Classification Based on Light Weight Vision Transformer [11.983317593939688]
本稿では,SAR画像の分類に軽量な視覚変換器モデルを適用しようとする。
構造全体がオープンアクセスされたSARデータセットによって検証された。
論文 参考訳(メタデータ) (2024-05-18T11:24:52Z) - Explainable Light-Weight Deep Learning Pipeline for Improved Drought Stress Identification [0.0]
作物の干ばつストレスの早期同定は、効果的な緩和対策と収量損失の低減に不可欠である。
本研究は,UAVが自然環境下で捕獲したジャガイモの干ばつストレスを分類するための,新しいディープラーニングフレームワークを提案する。
私たちの研究の重要な革新は、説明可能性のテクニックであるグラディエントクラスの活性化マッピング(Grad-CAM)の統合です。
論文 参考訳(メタデータ) (2024-04-15T18:26:03Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2023-09-27T14:39:41Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳(メタデータ) (2022-05-02T12:23:55Z) - A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。
得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文 参考訳(メタデータ) (2021-04-19T14:43:07Z) - Joint Learning of Neural Transfer and Architecture Adaptation for Image
Recognition [77.95361323613147]
現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。
本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。
本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
論文 参考訳(メタデータ) (2021-03-31T08:15:17Z) - Neural BRDF Representation and Importance Sampling [79.84316447473873]
本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。
BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。
複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
論文 参考訳(メタデータ) (2021-02-11T12:00:24Z) - Complex-valued Iris Recognition Network [44.40424033688897]
我々は、虹彩認識のタスクのために、完全に複雑に評価されたニューラルネットワークを設計する。
ND-CrossSensor-2013, CASIA-Iris-Thousand, UBIRIS.v2の3つのベンチマークデータセットで実験を行った。
我々は、複雑な価値ネットワークを、標準的な実価値ネットワークと比較すると、虹彩テクスチャから根本的に異なる特徴を抽出する方法を伝えるために、可視化スキームを利用する。
論文 参考訳(メタデータ) (2020-11-23T03:36:18Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z)
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。