論文の概要: SAMBA: A Scatter-Guided Masked Bidirectional Mamba Foundation Model for SAR Target Recognition

• arxiv url: http://arxiv.org/abs/2606.31668v2
• Date: Tue, 07 Jul 2026 08:12:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 19:12:31.2442
• Title: SAMBA: A Scatter-Guided Masked Bidirectional Mamba Foundation Model for SAR Target Recognition
• Title（参考訳）: SAMBA: SARターゲット認識のための散乱誘導型双方向マンバファンデーションモデル
• Abstract要約: 合成開口レーダー自動目標認識(SAR ATR)は、地球観測と防衛に重要であるが、実際の展開は、注釈付き訓練データ不足によって制限されている。 我々は,SAR目標解釈のための効率的な自己教師型事前学習基盤モデルSAMBAを提案する。 i) 線形複雑度Mambaエンコーダで計算ボトルネックを緩和する中列クラストークン,(ii) SAR物理先行によって誘導される3階層階層散乱誘導Masked Autoencoder(SG-MAE)マスキング戦略,(iii) 軽量空間Mix特徴相互作用
• 参考スコア（独自算出の注目度）: 11.925835733804357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic aperture radar automatic target recognition (SAR ATR) is critical for Earth observation and defense, but its practical deployment is constrained by scarce annotated training data. Self-supervised pre-training alleviates this label bottleneck, yet prevailing Transformer architectures incur prohibitive quadratic computational complexity, and conventional universal masking neglects the unique electromagnetic scattering properties intrinsic to SAR imagery. To address these limitations, we propose SAMBA (Scattering-Guided Bidirectional Mamba), an efficient self-supervised pre-training foundation model for SAR target interpretation. Our framework features three core innovations: (i) a linear-complexity Mamba encoder with a mid-sequence class token to mitigate computational bottlenecks; (ii) a three-level hierarchical Scattering-Guided Masked Autoencoder (SG-MAE) masking strategy guided by SAR physical priors, aligning the pretext task with SAR's intrinsic imaging mechanism; (iii) a lightweight SpatialMix feature interaction module to enhance cross-region feature fusion. We also design a two-stage cross-domain pre-training pipeline to optimize the overall pre-training process. Extensive evaluations demonstrate that SAMBA consistently delivers superior performance across all pre-training configurations, with substantially fewer parameters than both CNN and Transformer baselines. Compared with the default masking strategy in standard MAE, the proposed SG-MAE strategy further boosts the model's few-shot transfer capability. Benchmarking on seven downstream datasets covering classification and detection tasks shows SAMBA achieves state-of-the-art (SOTA) performance on most metrics, fully validating its robust generalizability across diverse SAR interpretation tasks. Source code and pre-trained weights are publicly available at https://github.com/mynswkk/SAMBA.
• Abstract（参考訳）: 合成開口レーダー自動目標認識(SAR ATR)は、地球観測と防衛に重要であるが、実際の展開は、注釈付き訓練データ不足によって制限されている。 自己教師付き事前学習は、このラベルのボトルネックを緩和するが、トランスフォーマーアーキテクチャは2次計算の複雑さを禁止し、従来の普遍マスクは、SAR画像に固有の独自の電磁散乱特性を無視している。 これらの制約に対処するために,SAR目標解釈のための効率的な自己教師型事前学習基盤モデルであるSAMBA(Scattering-Guided Bidirectional Mamba)を提案する。 私たちのフレームワークには3つのコアイノベーションがあります。 i) 計算ボトルネックを軽減するために,中間列のクラストークンを持つ線形複雑マンバエンコーダ (II)SARの物理的先行性によって誘導される3階層型散乱誘導型マスクオートエンコーダ(SG-MAE)マスキング戦略 (iii)クロスリージョン機能融合を強化する軽量なSpatialMix機能連携モジュール。 また、2段階のクロスドメイン事前トレーニングパイプラインを設計し、全体の事前トレーニングプロセスを最適化する。 広範な評価では、SAMBAは、CNNとTransformerのベースラインよりもはるかに少ないパラメータで、トレーニング済みのすべての構成に対して、一貫して優れたパフォーマンスを提供する。 標準MAEのデフォルトのマスキング戦略と比較すると、提案されたSG-MAE戦略はモデルの少数ショット転送能力をさらに向上させる。 分類と検出タスクをカバーする7つの下流データセットのベンチマークは、SAMBAがほとんどのメトリクスで最先端(SOTA)のパフォーマンスを達成し、多様なSAR解釈タスク間で堅牢な一般化性を完全に検証していることを示している。 ソースコードとトレーニング済みウェイトはhttps://github.com/mynswkk/SAMBA.comで公開されている。

関連論文リスト

• ProSR: Semantic-Prototype-Guided Discrete Modeling for Physically Consistent SAR Super-Resolution [28.150128853779268]
  高分解能合成開口レーダ(SAR)画像は、自動目標認識として精度解析に重要であるが、その取得にはコストがかかる。 本稿では,SAR ISRを意味的に誘導された離散トークン予測タスクとして再構成するためのPrototype-Guided Super-Resolution (ProSR)を提案する。 ProSRは、実用的なSARアプリケーションに必要な必須散乱特性を保ちながら、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2026-09-02T09:50:06Z)
• Exploring SAM Supervision for Fine-Grained UAV Target Segmentation under Data Scarcity [0.0]
  無人航空機(UAV)の目標セグメンテーションは、オブジェクトの小さなサイズ、外観の変化、乱雑な背景、密接な注釈付きデータの不足により困難である。 本稿では,コンパクトセグメンテーションネットワークのトレーニングにおいて,SAM3を擬似ラベル生成器として用いることを検討する。
  論文  参考訳（メタデータ） (2026-07-04T07:59:10Z)
• MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
  本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。 MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。 HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
  論文  参考訳（メタデータ） (2026-06-22T10:14:06Z)
• A Tutorial on ALOS2 SAR Utilization: Dataset Preparation, Self-Supervised Pretraining, and Semantic Segmentation [1.4401311275746886]
  ALOS-2単チャネルSAR画像に適用したSimMIMの重み付き版であるSAR-W-SimMIMを紹介する。 本手法は,自己指導型事前訓練におけるスペックルと極度強度値の影響を低減することを目的としている。 SAR-W-MixMAEを用いた前回の試行と比較し,セマンティックセグメンテーションへの影響を検討した。
  論文  参考訳（メタデータ） (2026-03-16T11:16:03Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• Promptable Foundation Models for SAR Remote Sensing: Adapting the Segment Anything Model for Snow Avalanche Segmentation [18.28485164485434]
  効果的な検出モデルのトレーニングには、ドメインの専門家による高品質なアノテーションによる大規模なデータセットの収集が必要である。 我々は、自然画像に基づいて訓練されたセグメンテーション基礎モデルであるSegment Anything Model(SAM)を構築し、それをSentinel-1 SARデータに調整する。 ドメインギャップを軽減するためのアダプタ,マルチチャネルSAR入力を処理する複数のエンコーダ,雪崩局所化精度を改善するためのプロンプトエンジニアリング戦略,エンコーダのトレーニング時間を制限するトレーニングアルゴリズムを組み合わせることで,これらの課題に対処する。
  論文  参考訳（メタデータ） (2026-01-03T15:41:12Z)
• Scale-aware Adaptive Supervised Network with Limited Medical Annotations [17.42211316792232]
  SASNetは、新しいスケール対応適応リウェイト機構を通じて、低レベルと高レベルの両方の特徴表現を利用するデュアルブランチアーキテクチャである。 このアプローチでは,スケールアウェアのAdaptive Reweight戦略を含む,3つの重要な方法論的イノベーションを導入している。 SASNetは、最先端の半教師付き手法を超越したラベル付きデータで優れた性能を達成する。
  論文  参考訳（メタデータ） (2026-01-02T23:55:17Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• 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)
• VRS-UIE: Value-Driven Reordering Scanning for Underwater Image Enhancement [104.78586859995333]
  状態空間モデル(SSM)は、線形複雑性と大域的受容場のために、視覚タスクの有望なバックボーンとして登場した。 大型で均質だが無意味な海洋背景の優位性は、希少で価値ある標的の特徴表現応答を希薄にすることができる。 水中画像強調(UIE)のための新しい値駆動リダクションスキャンフレームワークを提案する。 本フレームワークは, 水バイアスを効果的に抑制し, 構造や色彩の忠実さを保ち, 優れた向上性能(WMambaを平均0.89dB超える)を実現する。
  論文  参考訳（メタデータ） (2025-05-02T12:21:44Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
  Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
  論文  参考訳（メタデータ） (2023-03-23T17:59:02Z)
• GD-MAE: Generative Decoder for MAE Pre-training on LiDAR Point Clouds [72.60362979456035]
  Masked Autoencoders (MAE)は、大規模な3Dポイントクラウドでの探索が難しい。 我々は,周囲のコンテキストを自動的にマージするためのtextbfGenerative textbfDecoder for MAE (GD-MAE)を提案する。 提案手法の有効性を, KITTI と ONCE の2つの大規模ベンチマークで実証した。
  論文  参考訳（メタデータ） (2022-12-06T14:32:55Z)

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。