論文の概要: PASTE: Physics-Aware Scattering Topology Embedding Framework for SAR Object Detection

• arxiv url: http://arxiv.org/abs/2603.14886v1
• Date: Mon, 16 Mar 2026 06:34:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.106698
• Title: PASTE: Physics-Aware Scattering Topology Embedding Framework for SAR Object Detection
• Title（参考訳）: PASTE:SARオブジェクト検出のための物理対応散乱トポロジー埋め込みフレームワーク
• Authors: Jiacheng Chen, Yuxuan Xiong, Haipeng Wang,
• Abstract要約: 本稿ではPASTE(Physical-Aware Scattering Topology Embedding Framework)を提案する。 実際のデータセットの実験では、PASTEは様々な検出器と互換性があり、相対的なmAPゲインが2.9%から11.3%となり、計算オーバーヘッドは許容できる。
• 参考スコア（独自算出の注目度）: 17.431964097853946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current deep learning-based object detection for Synthetic Aperture Radar (SAR) imagery mainly adopts optical image methods, treating targets as texture patches while ignoring inherent electromagnetic scattering mechanisms. Though scattering points have been studied to boost detection performance, most methods still rely on amplitude-based statistical models. Some approaches introduce frequency-domain information for scattering center extraction, but they suffer from high computation cost and poor compatibility with diverse datasets. Thus, effectively embedding scattering topological information into modern detection frameworks remains challenging. To solve these problems, this paper proposes the Physics-Aware Scattering Topology Embedding Framework (PASTE), a novel closed-loop architecture for comprehensive scattering prior integration. By building the full pipeline from topology generation, injection to joint supervision, PASTE elegantly integrates scattering physics into modern SAR detectors. Specifically, it designs a scattering keypoint generation and automatic annotation scheme based on the Attributed Scattering Center (ASC) model to produce scalable and physically consistent priors. A scattering topology injection module guides multi-scale feature learning, and a scattering prior supervision strategy constrains network optimization by aligning predictions with scattering center distributions. Experiments on real datasets show that PASTE is compatible with various detectors and brings relative mAP gains of 2.9% to 11.3% over baselines with acceptable computation overhead. Visualization of scattering maps verifies that PASTE successfully embeds scattering topological priors into feature space, clearly distinguishing target and background scattering regions, thus providing strong interpretability for results.
• Abstract（参考訳）: 合成開口レーダ(SAR)画像に対する現在のディープラーニングに基づく物体検出は、主に光学的画像法を採用し、標的を固有の電磁波散乱機構を無視しながらテクスチャパッチとして扱う。 散乱点は検出性能を高めるために研究されているが、ほとんどの手法は振幅に基づく統計モデルに依存している。 いくつかの手法では、散乱中心抽出のための周波数領域情報を導入しているが、計算コストが高く、多様なデータセットとの互換性が低い。 このように、散乱位相情報を現代の検出フレームワークに効果的に埋め込むことは依然として困難である。 これらの問題を解決するため,本研究ではPASTE(Physical-Aware Scattering Topology Embedding Framework)を提案する。 PASTEは、トポロジ生成から完全なパイプラインを構築し、共同監視への注入によって、散乱物理学を現代のSAR検出器にエレガントに統合する。 具体的には,Attributed Scattering Center(ASC)モデルに基づく散乱キーポイント生成と自動アノテーションスキームを設計し,スケーラブルで物理的に一貫した事前情報を生成する。 散乱トポロジ注入モジュールは、マルチスケールの特徴学習を誘導し、散乱先行監視戦略は、散乱中心分布と予測を整合させることで、ネットワーク最適化を制約する。 実際のデータセットの実験では、PASTEは様々な検出器と互換性があり、相対的なmAPゲインが2.9%から11.3%となり、計算オーバーヘッドは許容できる。 散乱マップの可視化により、PASTEは散乱トポロジカル先行を特徴空間にうまく埋め込むことができ、ターゲット領域と背景散乱領域を明確に区別し、その結果に対して強い解釈性を与える。

関連論文リスト

• Foggy Crowd Counting: Combining Physical Priors and KAN-Graph [19.690003059392893]
  本稿では,大気散乱の物理的先行性を考慮した群衆計測手法を提案する。 濃霧のシナリオでは主流のアルゴリズムに比べて12.2%-27.5%のMAE測定値の削減が達成されている。
  論文  参考訳（メタデータ） (2025-09-29T09:59:36Z)
• CSIYOLO: An Intelligent CSI-based Scatter Sensing Framework for Integrated Sensing and Communication Systems [18.244924566345027]
  ISACは次世代通信システムにとって有望な技術であり、同時データ伝送とターゲットセンシングを可能にしている。 散乱センシングは、ISACの潜在能力を最大限活用し、自動運転や低高度経済などの応用を支援する上で重要な役割を果たす。 CSIYOLO(CSIYOLO)は,1つの基地局と利用者の機器ペアから推定されたCSIを用いて散乱ローカライズを行うフレームワークである。
  論文  参考訳（メタデータ） (2025-09-15T06:46:39Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Bottom-Up Scattering Information Perception Network for SAR target recognition [9.694730272245849]
  本稿では,より解釈可能なターゲット認識のためのボトムアップ散乱情報知覚ネットワークを提案する。 まず、CNNネットワークに基づくバックボーン特徴抽出器を置き換えるために、局所散乱パーセプトロンを提案する。 次に、対象散乱部情報を頑健に特徴付けるために、教師なし散乱部特徴抽出モデルを提案する。 第3に、対象部品の知識を集約して完全な対象記述を形成することにより、モデルの解釈可能性および識別能力を向上させる。
  論文  参考訳（メタデータ） (2025-04-07T07:15:08Z)
• Spectrum-oriented Point-supervised Saliency Detector for Hyperspectral Images [13.79887292039637]
  ハイパースペクトル・サリエント物体検出(HSOD)における点監督について紹介する。 本稿では,従来のHSOD法から派生したスペクトル・サリエンシを,そのフレームワーク内で重要なスペクトル表現として組み込む。 本稿では,HSIに特化して設計された新しいパイプラインを提案し,点監督戦略に関連した性能低下を効果的に軽減する。
  論文  参考訳（メタデータ） (2024-12-24T02:52:43Z)
• Anomaly detection using Diffusion-based methods [15.049468347670421]
  本稿では,拡散モデルによる異常検出の有用性について検討する。 コンパクトデータセットと高解像度データセットの両方における偏差を識別する効果に重点を置いている。
  論文  参考訳（メタデータ） (2024-12-10T14:17:23Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)

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。