論文の概要: Rethinking SAR ATR: A Target-Aware Frequency-Spatial Enhancement Framework with Noise-Resilient Knowledge Guidance

• arxiv url: http://arxiv.org/abs/2603.21565v1
• Date: Mon, 23 Mar 2026 04:35:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.487564
• Title: Rethinking SAR ATR: A Target-Aware Frequency-Spatial Enhancement Framework with Noise-Resilient Knowledge Guidance
• Title（参考訳）: SAR ATRの再考:雑音耐性知識誘導を用いたターゲット認識周波数空間拡張フレームワーク
• Authors: Yansong Lin, Zihan Cheng, Jielei Wang, Guoming Lua, Zongyong Cui,
• Abstract要約: 本稿では,SAR目標認識のための雑音耐性知識ガイダンス(FSCE)を用いた周波数空間拡張フレームワークを提案する。 提案フレームワークは、空間的マルチスケールの畳み込みと周波数領域のウェーブレット畳み込みによって浅部特徴を処理する周波数空間浅部特徴適応拡張(DSAF)モジュールを組み込んだものである。 注目伝達と雑音耐性表現学習の協調最適化により,雑音条件下での目標認識の安定性を著しく向上する。
• 参考スコア（独自算出の注目度）: 2.0394716255215664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic aperture radar automatic target recognition (SAR ATR) is of considerable importance in marine navigation and disaster monitoring. However, the coherent speckle noise inherent in SAR imagery often obscures salient target features, leading to degraded recognition accuracy and limited model generalization. To address this issue, this paper proposes a target-aware frequency-spatial enhancement framework with noise-resilient knowledge guidance (FSCE) for SAR target recognition. The proposed framework incorporates a frequency-spatial shallow feature adaptive enhancement (DSAF) module, which processes shallow features through spatial multi-scale convolution and frequency-domain wavelet convolution. In addition, a teacher-student learning paradigm combined with an online knowledge distillation method (KD) is employed to guide the student network to focus more effectively on target regions, thereby enhancing its robustness to high-noise backgrounds. Through the collaborative optimization of attention transfer and noise-resilient representation learning, the proposed approach significantly improves the stability of target recognition under noisy conditions. Based on the FSCE framework, two network architectures with different performance emphases are developed: lightweight DSAFNet-M and high-precision DSAFNet-L. Extensive experiments are conducted on the MSTAR, FUSARShip and OpenSARShip datasets. The results show that DSAFNet-L achieves competitive or superior performance compared with various methods on three datasets; DSAFNet-M significantly reduces the model complexity while maintaining comparable accuracy. These results indicate that the proposed FSCE framework exhibits strong cross-model generalization.
• Abstract（参考訳）: 合成開口レーダー自動目標認識(SAR ATR)は海洋航行と災害監視において極めて重要である。 しかし、SAR画像に固有のコヒーレントスペックルノイズは、しばしば健全な目標特徴を曖昧にし、認識精度が低下し、モデル一般化が制限される。 そこで本研究では,SAR目標認識のための雑音耐性知識ガイダンス(FSCE)を用いた周波数空間拡張フレームワークを提案する。 提案フレームワークは、空間的マルチスケールの畳み込みと周波数領域のウェーブレット畳み込みによって浅部特徴を処理する周波数空間浅部特徴適応拡張(DSAF)モジュールを組み込んだものである。 また,オンライン知識蒸留法(KD)と併用した学習パラダイムを用いて,学習者のネットワークを指導し,より効果的に対象領域に集中させ,高雑音背景への堅牢性を高める。 注目伝達と雑音耐性表現学習の協調最適化により,雑音条件下での目標認識の安定性を著しく向上する。 FSCEフレームワークに基づいて、軽量DSAFNet-Mと高精度DSAFNet-Lの2つのネットワークアーキテクチャが開発されている。 MSTAR、FUSARShip、OpenSARShipデータセットで大規模な実験が行われた。 その結果,DSAFNet-Lは3つのデータセットの様々な手法と比較して,競争力や性能に優れており,DSAFNet-Mは同等の精度を維持しながらモデルの複雑さを著しく低減することがわかった。 これらの結果から,提案するFSCEフレームワークは強いクロスモデル一般化を示すことが示唆された。

関連論文リスト

• Large-Scale Model Enabled Semantic Communication Based on Robust Knowledge Distillation [45.347078403677216]
  大規模モデル(LSM)は意味表現と理解に有効なフレームワークである。 しかしながら、それらの直接的なデプロイメントは、しばしば高い計算複雑性とリソース要求によって妨げられる。 本稿では,新しい知識蒸留に基づくセマンティックコミュニケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T07:47:18Z)
• Few-Shot Class-Incremental Learning For Efficient SAR Automatic Target Recognition [13.783950035836593]
  本稿では,局所的特徴抽出に着目したデュアルブランチアーキテクチャに基づくFSCILフレームワークを提案する。 これにより、ドメイン固有の機能をグローバルな依存関係と融合して、堅牢な機能インタラクションを保証する、軽量なクロスアテンションメカニズムが組み込まれている。 MSTARベンチマークデータセットの実験結果から,提案フレームワークはFSCIL SAR-ATRの最先端手法を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:25:30Z)
• EMWaveNet: Physically Explainable Neural Network Based on Electromagnetic Propagation for SAR Target Recognition [4.251056028888424]
  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。
  論文  参考訳（メタデータ） (2024-10-13T07:04:49Z)
• 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)
• ROSE: A Recognition-Oriented Speech Enhancement Framework in Air Traffic Control Using Multi-Objective Learning [6.60571587618006]
  無線音声エコー(Radio speech echo)は、空気交通制御(ATC)領域において特定の現象であり、音声品質を低下させ、自動音声認識(ASR)の精度に影響を与える。 本研究では,時間領域認識指向音声強調フレームワークを提案し,音声認識能力の向上とASR精度の向上を図る。 このフレームワークはATCシナリオのプラグイン・アンド・プレイツールとして機能し、ASRモデルのさらなる再トレーニングを必要としない。
  論文  参考訳（メタデータ） (2023-12-11T04:51:41Z)
• You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
  本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。 まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。 FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。 エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-14T11:03:04Z)
• Histogram Layer Time Delay Neural Networks for Passive Sonar Classification [58.720142291102135]
  時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。 提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
  論文  参考訳（メタデータ） (2023-07-25T19:47:26Z)
• ASR: Attention-alike Structural Re-parameterization [53.019657810468026]
  本稿では,アテンション機構の有効性を享受しながら,与えられたネットワークに対してSRPを実現するための,シンプルなアテンション型構造的再パラメータ化(ASR)を提案する。 本稿では,統計的観点から広範囲にわたる実験を行い,Stripe Observationという興味深い現象を発見し,チャネル注意値が訓練中に一定のベクトルに素早く接近することを明らかにする。
  論文  参考訳（メタデータ） (2023-04-13T08:52:34Z)
• 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)

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。