論文の概要: Collaborative Learning of Scattering and Deep Features for SAR Target Recognition with Noisy Labels

• arxiv url: http://arxiv.org/abs/2508.07656v1
• Date: Mon, 11 Aug 2025 06:10:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.968522
• Title: Collaborative Learning of Scattering and Deep Features for SAR Target Recognition with Noisy Labels
• Title（参考訳）: 雑音ラベルを用いたSAR目標認識のための散乱と深部特徴の協調学習
• Authors: Yimin Fu, Zhunga Liu, Dongxiu Guo, Longfei Wang,
• Abstract要約: 雑音ラベル付きSAR自動目標認識のための散乱・深度特徴の協調学習を提案する。 具体的には、散乱と深い特徴を統合するために、マルチモデル機能融合フレームワークが設計されている。 提案手法は,ラベルノイズの異なる動作条件下での最先端性能を実現することができる。
• 参考スコア（独自算出の注目度）: 7.324728751991982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The acquisition of high-quality labeled synthetic aperture radar (SAR) data is challenging due to the demanding requirement for expert knowledge. Consequently, the presence of unreliable noisy labels is unavoidable, which results in performance degradation of SAR automatic target recognition (ATR). Existing research on learning with noisy labels mainly focuses on image data. However, the non-intuitive visual characteristics of SAR data are insufficient to achieve noise-robust learning. To address this problem, we propose collaborative learning of scattering and deep features (CLSDF) for SAR ATR with noisy labels. Specifically, a multi-model feature fusion framework is designed to integrate scattering and deep features. The attributed scattering centers (ASCs) are treated as dynamic graph structure data, and the extracted physical characteristics effectively enrich the representation of deep image features. Then, the samples with clean and noisy labels are divided by modeling the loss distribution with multiple class-wise Gaussian Mixture Models (GMMs). Afterward, the semi-supervised learning of two divergent branches is conducted based on the data divided by each other. Moreover, a joint distribution alignment strategy is introduced to enhance the reliability of co-guessed labels. Extensive experiments have been done on the Moving and Stationary Target Acquisition and Recognition (MSTAR) dataset, and the results show that the proposed method can achieve state-of-the-art performance under different operating conditions with various label noises.
• Abstract（参考訳）: 高品質なラベル付き合成開口レーダ(SAR)データの取得は、専門家の知識を必要とするため困難である。 その結果、信頼できないノイズラベルの存在は避けられないため、SAR自動目標認識(ATR)の性能劣化が生じる。 ノイズラベルによる学習に関する既存の研究は、主に画像データに焦点を当てている。 しかし,SARデータの非直観的視覚特性はノイズロスト学習を実現するには不十分である。 そこで本研究では,雑音ラベル付きSAR ATRにおける散乱と深部特徴(CLSDF)の協調学習を提案する。 具体的には、散乱と深い特徴を統合するために、マルチモデル機能融合フレームワークが設計されている。 属性散乱中心(ASC)は動的グラフ構造データとして扱われ、抽出された物理特性は、深部画像の特徴の表現を効果的に強化する。 次に、複数のクラスワイドガウス混合モデル(GMM)を用いて損失分布をモデル化することにより、クリーンでノイズの多いラベルを持つサンプルを分割する。 その後、分割されたデータに基づいて、2つの分岐枝の半教師付き学習を行う。 さらに, 連接ラベルの信頼性を高めるために, 連接分布アライメント戦略を導入する。 移動・静止目標獲得・認識(MSTAR)データセットに対して広範囲な実験を行い,様々なラベルノイズを伴う動作条件下での最先端性能を実現することができることを示す。

関連論文リスト

• Dual-frequency Selected Knowledge Distillation with Statistical-based Sample Rectification for PolSAR Image Classification [11.844199868924505]
  地域整合性が二周波データの分類情報学習と合理的利用に与える影響は、二周波協調分類の2つの主要な課題である。 本稿では,SKDNet-SSRを用いた知識蒸留ネットワークを提案する。
  論文  参考訳（メタデータ） (2025-07-04T02:56:28Z)
• Learning from Noisy Pseudo-labels for All-Weather Land Cover Mapping [20.979328369582486]
  SAR画像は詳細な情報がなく、大きなスペックルノイズに悩まされている。 近年、擬似ラベルを生成するために、ペアの光学SAR画像のアノテートが試みられている。 半教師付き学習を新たな画像解像度アライメント拡張と共に組み込むことにより、擬似ラベルを生成するためのより正確な方法を提案する。
  論文  参考訳（メタデータ） (2025-04-18T04:24:47Z)
• Unpaired Deblurring via Decoupled Diffusion Model [55.21345354747609]
  UID-Diffは,未知領域における劣化性能の向上を目的とした生成拡散モデルである。 構造的特徴とぼかしパターン抽出器を別々に用いて, 抽出した特徴は, 合成データに対する教師付きデブロアリングタスクと教師なしのぼかし転送タスクに使用される。 実世界のデータセットの実験では、UID-Diffが既存の最先端の手法よりも、ぼやけた除去と構造保存に優れていることが示されている。
  論文  参考訳（メタデータ） (2025-02-03T17:00:40Z)
• Mitigating Instance-Dependent Label Noise: Integrating Self-Supervised Pretraining with Pseudo-Label Refinement [3.272177633069322]
  実世界のデータセットは、アノテーションプロセス中にヒューマンエラー、あいまいさ、リソース制約のために、ノイズの多いラベルを含むことが多い。 そこで本研究では,SimCLRを用いた自己教師型学習と反復的擬似ラベル改良を組み合わせた新しいフレームワークを提案する。 提案手法は,特に高騒音条件下では,いくつかの最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2024-12-06T09:56:49Z)
• Mitigating Noisy Supervision Using Synthetic Samples with Soft Labels [13.314778587751588]
  ノイズラベルは、特にクラウドソーシングやWeb検索から派生した大規模データセットにおいて、現実世界のデータセットにおいてユビキタスである。 トレーニング中にノイズの多いラベルを過度に適合させる傾向にあるため、ノイズの多いデータセットでディープニューラルネットワークをトレーニングすることは難しい。 ノイズラベルの影響を軽減するために,新しい合成サンプルを用いてモデルを訓練するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-22T04:49:39Z)
• Improving a Named Entity Recognizer Trained on Noisy Data with a Few Clean Instances [55.37242480995541]
  クリーンなインスタンスの小さなセットから,ノイズの多いNERデータを誘導することで,ノイズを発生させる手法を提案する。 メインのNERモデルとともに、判別器モデルをトレーニングし、その出力を使用してサンプルの重み付けを校正します。 クラウドソーシングと遠隔監視データセットの結果から,提案手法は少ないガイダンスセットで継続的に性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2023-10-25T17:23:37Z)
• Noisy-ArcMix: Additive Noisy Angular Margin Loss Combined With Mixup Anomalous Sound Detection [5.1308092683559225]
  非教師付き異常音検出(ASD)は、正常な操作音の特徴を学習し、その偏差を感知することで、異常音を識別することを目的としている。 近年, 正規データの分類を利用した自己教師型タスクに焦点が当てられ, 高度なモデルでは, 異常データの表現空間の確保が重要であることが示されている。 本研究では,クラス内コンパクト性を確保し,正常試料と異常試料との角度ギャップを増大させる訓練手法を提案する。
  論文  参考訳（メタデータ） (2023-10-10T07:04:36Z)
• Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition [70.00984078351927]
  本稿では,多ラベル分類と長期学習の特徴に基づく雑音の低減に焦点をあてる。 よりクリーンなサンプルを合成し,マルチラベルノイズを直接低減するStitch-Up拡張を提案する。 ヘテロジニアス・コラーニング・フレームワークは、長い尾の分布とバランスの取れた分布の不整合を活用するためにさらに設計されている。
  論文  参考訳（メタデータ） (2023-07-03T09:20:28Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
  大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。 大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。 本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T15:45:36Z)
• Data Augmentation Imbalance For Imbalanced Attribute Classification [60.71438625139922]
  本稿では,データ拡張不均衡(DAI)と呼ばれる新しい再サンプリングアルゴリズムを提案する。 我々のDAIアルゴリズムは歩行者属性のデータセットに基づいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-04-19T20:43:29Z)

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。