論文の概要: Physics-Driven Semantic Scattering Structure Understanding of Aircraft Target in SAR Images

• arxiv url: http://arxiv.org/abs/2606.06847v1
• Date: Fri, 05 Jun 2026 02:43:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.530097
• Title: Physics-Driven Semantic Scattering Structure Understanding of Aircraft Target in SAR Images
• Title（参考訳）: SAR画像における航空機目標の物理駆動セマンティック散乱構造理解
• Authors: Yifei Yin, Xiaogang Yu, Hao Shi, Liang Chen, Wei Li,
• Abstract要約: 合成開口レーダ(SAR)はその日中全天候観測能力のため、ターゲット解釈に欠かせないものとなっている。 既存の手法は依然として局所散乱中心表現に支配されている。 我々は,SAR航空機解釈の新しいパラダイムとしてセマンティック散乱構造理解を確立した。 S3U-SARは、意味的散乱キーポイントをローカライズし、多次元物理先行によって制約された完全な表現を構築する物理駆動のフレームワークである。
• 参考スコア（独自算出の注目度）: 20.469233991282266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic aperture radar (SAR) has become indispensable for target interpretation owing to its all-day and all-weather observation capability. In SAR target interpretation, electromagnetic scattering information provides a physically grounded cue beyond visual texture and has been widely exploited for target interpretation. However, existing methods remain dominated by local scattering center representations. Such unordered and component-agnostic representations are highly unstable for aircraft targets. As a result, physically existing components with weak scattering responses are often missed, resulting in the incomplete reconstructed topology structure. To address this limitation, we establish Semantic Scattering Structure Understanding as a new paradigm for SAR aircraft interpretation. Semantic scattering keypoints are defined to associate local electromagnetic responses with physically meaningful aircraft components, while visibility-aware attributes are introduced to retain weakly observable yet physically existed components. The keypoints are further organized into a stable semantic scattering structure. Build upon this, we propose S3U-SAR, a physics-driven framework to localize semantic scattering keypoints and construct the complete representation constrained by multi-dimensional physical priors containing scattering heterogeneity, rigid-body topology, speckle uncertainty. A confidence-gated joint supervision strategy is further introduced to alleviate optimization conflicts. We construct KP-SAR-Aircraft-1.0, the first fine-grained benchmark for semantic scattering structure understanding. Extensive experiments demonstrate that S3U-SAR achieves the best performance compared with baselines. Cross-category and cross-dataset evaluations further verify its robustness and transferability.
• Abstract（参考訳）: 合成開口レーダ(SAR)はその日中全天候観測能力のため、ターゲット解釈に欠かせないものとなっている。 SARのターゲット解釈では、電磁散乱情報は視覚的テクスチャを超えて物理的に接地されたキューを提供し、ターゲットの解釈に広く利用されている。 しかし、既存の手法は依然として局所散乱中心表現に支配されている。 このような非秩序でコンポーネントに依存しない表現は、航空機の標的に対して非常に不安定である。 その結果、弱い散乱応答を持つ物理的に存在する成分がしばしば欠落し、不完全な再構成トポロジー構造が生じる。 そこで我々は,SAR航空機解釈の新しいパラダイムとしてセマンティック散乱構造理解(Semantic Scattering Structure Understanding)を確立する。 セマンティック散乱キーポイントは、局所的な電磁応答と物理的に意味のある航空機コンポーネントを関連付けるために定義され、可視性を考慮した属性は弱く観測可能であるが物理的に存在するコンポーネントを保持するために導入される。 キーポイントはさらに安定なセマンティック散乱構造に整理される。 そこで我々は,S3U-SARを提案する。S3U-SAR,S3U-SAR,S3U-SAR,S3U-SAR,S3U-SAR,S3U-SAR,S3U-SAR。 さらに、最適化競合を軽減するために、信頼度の高い共同監視戦略が導入された。 KP-SAR-Aircraft-1.0は,意味的散乱構造理解のための,最初のきめ細かいベンチマークである。 大規模な実験により、S3U-SARはベースラインと比較して最高の性能を発揮することが示された。 クロスカテゴリとクロスデータセットの評価は、その堅牢性と転送可能性をさらに検証する。

関連論文リスト

• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• GeoMamba: A Geometry-driven MambaVision Framework and Dataset for Fine-grained Optical-SAR Object Retrieval [54.741349848771144]
  GeoMambaは光学SAR微細検索のための幾何学駆動フレームワークである。 GFIモジュールは、クロスモーダルな機能相互作用を強化し、構造的な事前を組み込む。 GeoMambaは既存の手法を上回り、全検索環境で63.3% mAPと77.0% Rank-1の精度を達成した。
  論文  参考訳（メタデータ） (2026-05-19T12:08:09Z)
• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• Satellite-to-Street: Synthesizing Post-Disaster Views from Satellite Imagery via Generative Vision Models [10.715667868976054]
  衛星画像から災害後のストリートビューを合成するための2つの生成戦略を導入する。 提案した構造認識評価フレームワークを用いて,汎用ベースライン(Pix2Pix, ControlNet)に対してベンチマークを行った。 実験の結果、標準の ControlNet が最も高いセマンティック精度が 0.71 であるのに対し、VLM と MoE のモデルはテキストの可視性では優れるが、意味的明瞭性に苦慮している。
  論文  参考訳（メタデータ） (2026-03-21T07:47:33Z)
• PASTE: Physics-Aware Scattering Topology Embedding Framework for SAR Object Detection [17.431964097853946]
  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。
  論文  参考訳（メタデータ） (2026-03-16T06:34:35Z)
• RaUF: Learning the Spatial Uncertainty Field of Radar [2.6853734738584047]
  ミリ波レーダーは、悪天候に特有の利点を提供するが、空間の忠実度が低く、方位の曖昧さが強く、乱れによって引き起こされる引き起こされるリターンに悩まされる。 本稿では,レーダ計測を物理的に基底とした異方性特性によってモデル化する空間不確実性学習フレームワークであるRaUFを提案する。 相反する特徴-ラベル間のマッピングを解決するために、細粒度不確実性を学ぶ異方性確率モデルを設計する。
  論文  参考訳（メタデータ） (2026-03-01T10:10:43Z)
• OSCAR: Optical-aware Semantic Control for Aleatoric Refinement in Sar-to-Optical Translation [12.055938312320402]
  新たなSAR-to-Optical(S2O)翻訳フレームワークが提案され、3つのコア技術コントリビューションが統合されている。 実験により,提案手法は最先端手法と比較して知覚的品質と意味的一貫性に優れることを示した。
  論文  参考訳（メタデータ） (2026-01-11T09:57:04Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• A Complex-valued SAR Foundation Model Based on Physically Inspired Representation Learning [19.993115629155803]
  SAR(Synthetic Aperture Radar)は、地球観測に重要な利点をもたらす全天候イメージング機能を提供する。 しかし,SAR画像解釈の基礎モデルを確立することは,情報利用の不十分さや解釈可能性の低下といった課題に必然的に直面する。 本研究では,プレトレーニングのための偏光分解過程をシミュレートした,複雑なSARデータに基づくリモートセンシング基盤モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-16T11:51:34Z)
• TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
  PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。 PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。 一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-14T14:58:30Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)

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。