論文の概要: Multi-Level Heterogeneous Knowledge Transfer Network on Forward Scattering Center Model for Limited Samples SAR ATR

• arxiv url: http://arxiv.org/abs/2509.23596v1
• Date: Sun, 28 Sep 2025 03:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.314429
• Title: Multi-Level Heterogeneous Knowledge Transfer Network on Forward Scattering Center Model for Limited Samples SAR ATR
• Title（参考訳）: 限定サンプルSAR ATRのための前方散乱中心モデルに基づく多層不均一知識伝達ネットワーク
• Authors: Chenxi Zhao, Daochang Wang, Siqian Zhang, Gangyao Kuang,
• Abstract要約: 本研究は,前向き散乱中心モデル(FSCM)という,純粋および鍵標的知識を移行するための新しいシミュレーションデータについて検討する。 この目的を達成するために,FSCMの知識を特徴,分布,カテゴリレベルから完全に移行する多レベル異種知識伝達ネットワークを提案する。 特に,FSCMデータとSAR画像による2つの新しいデータセットに対する広範な実験により,本手法の優れた性能が示された。
• 参考スコア（独自算出の注目度）: 10.701687030427422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulated data-assisted SAR target recognition methods are the research hotspot currently, devoted to solving the problem of limited samples. Existing works revolve around simulated images, but the large amount of irrelevant information embedded in the images, such as background, noise, etc., seriously affects the quality of the migrated information. Our work explores a new simulated data to migrate purer and key target knowledge, i.e., forward scattering center model (FSCM) which models the actual local structure of the target with strong physical meaning and interpretability. To achieve this purpose, multi-level heterogeneous knowledge transfer (MHKT) network is proposed, which fully migrates FSCM knowledge from the feature, distribution and category levels, respectively. Specifically, we permit the more suitable feature representations for the heterogeneous data and separate non-informative knowledge by task-associated information selector (TAIS), to complete purer target feature migration. In the distribution alignment, the new metric function maximum discrimination divergence (MDD) in target generic knowledge transfer (TGKT) module perceives transferable knowledge efficiently while preserving discriminative structure about classes. Moreover, category relation knowledge transfer (CRKT) module leverages the category relation consistency constraint to break the dilemma of optimization bias towards simulation data due to imbalance between simulated and measured data. Such stepwise knowledge selection and migration will ensure the integrity of the migrated FSCM knowledge. Notably, extensive experiments on two new datasets formed by FSCM data and measured SAR images demonstrate the superior performance of our method.
• Abstract（参考訳）: データ支援型SAR目標認識法は、現在、限られたサンプルの問題を解決する研究ホットスポットとなっている。 既存の作業はシミュレートされた画像を中心に展開するが、背景やノイズなどの画像に埋め込まれた無関係な情報が、移行した情報の品質に深刻な影響を及ぼす。 本研究は,物理的意味と解釈可能性の強い対象の実際の局所構造をモデル化した,前向き散乱中心モデル(FSCM)を学習するための新しいシミュレーションデータについて検討する。 この目的を達成するために,多レベル異種知識伝達(MHKT)ネットワークを提案し,FSCMの知識を特徴量,分布量,カテゴリレベルから完全に移行する。 具体的には、タスク関連情報セレクタ(TAIS)により、不均一なデータに対してより適切な特徴表現と非表現的知識の分離を許可し、より純粋なターゲット特徴マイグレーションを完了させる。 分布アライメントにおいて、ターゲット汎用知識伝達(TGKT)モジュールにおける新しいメートル関数最大識別偏差(MDD)は、クラスに関する識別的構造を保持しながら、転送可能な知識を効率的に知覚する。 さらに、カテゴリ関係知識伝達(CRKT)モジュールは、カテゴリ関係整合性制約を利用して、シミュレーションデータに対する最適化バイアスのジレンマを、シミュレーションデータと測定データの不均衡によって破る。 このような段階的な知識選択と移行は、移行したFSCM知識の完全性を保証する。 特に,FSCMデータとSAR画像による2つの新しいデータセットに対する広範な実験により,本手法の優れた性能が示された。

関連論文リスト

• SC-GIR: Goal-oriented Semantic Communication via Invariant Representation Learning [59.45312293893698]
  目標指向セマンティックコミュニケーション(SC)は,タスクの意味情報のみを伝達することで,コミュニケーションシステムに革命をもたらすことを目的としている。 画像伝送のためのSC-GIR(Goal-oriented Invariant Representation-based SC)という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） (2025-09-01T04:29:43Z)
• Enhancing Scene Classification in Cloudy Image Scenarios: A Collaborative Transfer Method with Information Regulation Mechanism using Optical Cloud-Covered and SAR Remote Sensing Images [6.35948253619752]
  本研究では,マルチモーダルデータを組み合わせたシーン分類変換手法を提案する。 クラウドフリーの光学データに基づいてトレーニングされたソースドメインモデルを、クラウドの光学データとSARデータの両方を含むターゲットドメインに低コストで転送することを目的としている。
  論文  参考訳（メタデータ） (2025-01-08T05:14:36Z)
• FTA-FTL: A Fine-Tuned Aggregation Federated Transfer Learning Scheme for Lithology Microscopic Image Classification [4.245694283697248]
  この研究には2つのフェーズがあり、第1に、転送学習を用いて小さなデータセット上でLithology microscopic image classificationを行う。 第2フェーズでは、フェデレート・トランスファーラーニング・スキームに分類タスクを定式化し、フェデレート・ラーニングのためのファインチューニング・アグリゲーション・ストラテジー(FTA-FTL)を提案した。 その結果,提案手法の効率性は良好であり,FTA-FTLアルゴリズムがLithology microscopic image classification taskの集中的実装により得られたほぼ同じ結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-01-06T19:32:14Z)
• MergeNet: Knowledge Migration across Heterogeneous Models, Tasks, and Modalities [72.05167902805405]
  異種モデルのパラメータ空間のギャップを埋めることを学ぶMergeNetを提案する。 MergeNetの中核となるメカニズムはパラメータアダプタにあり、ソースモデルの低ランクパラメータをクエリすることで動作する。 MergeNetは両方のモデルと共に学習され、我々のフレームワークは、現在のステージに関する知識を動的に転送し、適応することができます。
  論文  参考訳（メタデータ） (2024-04-20T08:34:39Z)
• Enhancing Information Maximization with Distance-Aware Contrastive Learning for Source-Free Cross-Domain Few-Shot Learning [55.715623885418815]
  クロスドメインのFew-Shot Learningメソッドは、トレーニング前のフェーズでモデルをトレーニングするために、ソースドメインデータにアクセスする必要がある。 データプライバシやデータ送信やトレーニングコストの削減に対する懸念が高まっているため,ソースデータにアクセスせずにCDFSLソリューションを開発する必要がある。 本稿では,これらの課題に対処するための距離対応コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-03-04T12:10:24Z)
• CDKT-FL: Cross-Device Knowledge Transfer using Proxy Dataset in Federated Learning [27.84845136697669]
  我々は,グローバルモデルとローカルモデル間の知識伝達の程度を研究するために,新しい知識蒸留に基づくアプローチを開発する。 提案手法は局所モデルの大幅な高速化と高いパーソナライズ性能を実現する。
  論文  参考訳（メタデータ） (2022-04-04T14:49:19Z)
• Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
  本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。 各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-16T17:45:08Z)

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。