論文の概要: Cross-Resolution SAR Target Detection Using Structural Hierarchy Adaptation and Reliable Adjacency Alignment

• arxiv url: http://arxiv.org/abs/2507.08290v1
• Date: Fri, 11 Jul 2025 03:35:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.237307
• Title: Cross-Resolution SAR Target Detection Using Structural Hierarchy Adaptation and Reliable Adjacency Alignment
• Title（参考訳）: 構造階層適応と信頼性アライメントを用いたクロスリゾリューションSARターゲット検出
• Authors: Jiang Qin, Bin Zou, Haolin Li, Lamei Zhang,
• Abstract要約: 本稿では,新しいSARターゲット検出手法(CR-Net)を提案する。 構造先行と明らかな学習理論を検出モデルに組み込んで、クロスレゾリューション検出のための信頼性の高いドメイン適応を可能にする。 クロスレゾリューションSARターゲット検出において、最先端(SOTA)性能を実現する。
• 参考スコア（独自算出の注目度）: 8.244039946324147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, continuous improvements in SAR resolution have significantly benefited applications such as urban monitoring and target detection. However, the improvement in resolution leads to increased discrepancies in scattering characteristics, posing challenges to the generalization ability of target detection models. While domain adaptation technology is a potential solution, the inevitable discrepancies caused by resolution differences often lead to blind feature adaptation and unreliable semantic propagation, ultimately degrading the domain adaptation performance. To address these challenges, this paper proposes a novel SAR target detection method (termed CR-Net), that incorporates structure priors and evidential learning theory into the detection model, enabling reliable domain adaptation for cross-resolution detection. To be specific, CR-Net integrates Structure-induced Hierarchical Feature Adaptation (SHFA) and Reliable Structural Adjacency Alignment (RSAA). SHFA module is introduced to establish structural correlations between targets and achieve structure-aware feature adaptation, thereby enhancing the interpretability of the feature adaptation process. Afterwards, the RSAA module is proposed to enhance reliable semantic alignment, by leveraging the secure adjacency set to transfer valuable discriminative knowledge from the source domain to the target domain. This further improves the discriminability of the detection model in the target domain. Based on experimental results from different-resolution datasets,the proposed CR-Net significantly enhances cross-resolution adaptation by preserving intra-domain structures and improving discriminability. It achieves state-of-the-art (SOTA) performance in cross-resolution SAR target detection.
• Abstract（参考訳）: 近年、SAR解像度の継続的な改善は、都市モニタリングや目標検出といった応用に大きな恩恵をもたらしている。 しかし、分解能の向上により散乱特性の相違が増大し、ターゲット検出モデルの一般化能力に課題が生じる。 ドメイン適応技術は潜在的な解決策であるが、解決の相違によって必然的に生じる相違は、視覚的特徴適応と信頼性の低いセマンティックな伝播をもたらし、最終的にはドメイン適応性能を低下させる。 これらの課題に対処するため,本研究では,構造先行と明らかな学習理論を検出モデルに組み込んだ新しいSARターゲット検出手法(CR-Net)を提案し,クロスレゾリューション検出のための信頼性の高いドメイン適応を実現する。 具体的には、CR-Netは構造誘発階層的特徴適応(SHFA)と信頼性構造的適応(RSAA)を統合している。 SHFAモジュールを導入し、ターゲット間の構造的相関を確立し、特徴適応を実現し、特徴適応プロセスの解釈可能性を高める。 その後、RSAAモジュールは、信頼できるセマンティックアライメントを強化するために、ソースドメインからターゲットドメインに価値ある識別的知識を転送するセキュアな隣接セットを活用する。 これにより、対象領域における検出モデルの識別性がさらに向上する。 異なる解像度データセットによる実験結果に基づいて、提案したCR-Netは、ドメイン内構造を保存し、識別性を向上させることにより、クロスレゾリューション適応を著しく向上する。 クロスレゾリューションSARターゲット検出において、最先端(SOTA)性能を実現する。

関連論文リスト

• An Uncertainty-aware DETR Enhancement Framework for Object Detection [10.102900613370817]
  本稿では,DETRを用いた物体検出のための不確実性認識フレームワークを提案する。 我々はハイリスク情報をフィルタリングし、検出信頼性を向上させるベイズリスクの定式化を導出する。 COCOベンチマーク実験により,本手法を既存のDECR変種に効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2025-07-20T07:53:04Z)
• On the Mechanisms of Adversarial Data Augmentation for Robust and Adaptive Transfer Learning [0.0]
  移動学習環境における強靭性と適応性を両立させる上で, ADA(Adversarial Data Augmentation)の役割について検討した。 本稿では、ADAと整合性正規化とドメイン不変表現学習を統合した統合フレームワークを提案する。 本研究は,破壊攻撃からの摂動を,ドメイン間移動性のための正規化力に変換する,対向学習という構成的視点を強調した。
  論文  参考訳（メタデータ） (2025-05-19T03:56:51Z)
• TAROT: Towards Essentially Domain-Invariant Robustness with Theoretical Justification [2.3718468096686802]
  TAROTはドメイン適応性と堅牢性の両方を高めるように設計されている。 これは、挑戦的なDomainNetデータセットで優れたパフォーマンスを達成する。 その結果、実世界のドメイン適応シナリオにおける我々のアプローチの幅広い適用性を強調した。
  論文  参考訳（メタデータ） (2025-05-10T09:43:04Z)
• PACF: Prototype Augmented Compact Features for Improving Domain Adaptive Object Detection [34.988894739426954]
  クラス内特徴の分布を正規化するためのプロトタイプ拡張コンパクト特徴量フレームワークを提案する。 相互正則化戦略は、線形およびプロトタイプベースの分類器が互いに学習できるように設計されている。 各種適応設定の結果は最先端であり,提案手法のボード適用性と有効性を示す。
  論文  参考訳（メタデータ） (2025-01-15T06:05:57Z)
• Robust Unsupervised Domain Adaptation by Retaining Confident Entropy via Edge Concatenation [7.953644697658355]
  教師なしのドメイン適応は、セマンティックセグメンテーションネットワークをトレーニングするための広範なピクセルレベルのアノテーションの必要性を軽減することができる。 本稿では,エントロピーに基づく対向ネットワーク内における内部情報と外部情報の相乗効果を利用した新しいドメイン適応手法を提案する。 我々は、より効果的なセグメンテーションのために多様な情報を統合する確率共有ネットワークを考案した。
  論文  参考訳（メタデータ） (2023-10-11T02:50:16Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端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） (2022-06-06T05:12:48Z)
• OTAdapt: Optimal Transport-based Approach For Unsupervised Domain Adaptation [10.485172090696642]
  本稿では, 最適輸送ベース距離に基づいて, 教師なし領域適応に対する新しいアプローチを提案する。 このアプローチは、ドメイン間で有意義なメトリクスを必要とせずに、ターゲットドメインとソースドメインの整合を可能にする。 提案手法は,様々な問題において異なるデータセット上で評価される。
  論文  参考訳（メタデータ） (2022-05-22T04:25:24Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• 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)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T22:58:20Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。