論文の概要: A Generalized Deep Non-negative Matrix Factorization Approach for SAR Automatic Target Recognition

• arxiv url: http://arxiv.org/abs/2607.09779v1
• Date: Wed, 08 Jul 2026 09:53:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.190929
• Title: A Generalized Deep Non-negative Matrix Factorization Approach for SAR Automatic Target Recognition
• Title（参考訳）: SAR自動目標認識のための一般化された非負行列係数分解手法
• Abstract要約: 本稿では,G-DNMF (Generalized Deep Non- negative matrix factorization) と呼ばれる,頑健な多層特徴抽出手法を提案する。 提案手法は, 層間分解戦略を破棄し, 局所最適のリスクを低減し, 誤差の蓄積を解消する。 MSTARとOpenSARshipのデータセットに基づく実験結果は、G-DNMFが既存のDNMFアルゴリズムよりも安定性と認識性能で優れていることを示している。
• 参考スコア（独自算出の注目度）: 4.210591328905794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The deep nonnegative matrix factorization (DNMF) technique is proposed to address the low interpretability of deep learning-based methods in extracting multilayer features from synthetic aperture radar (SAR) target samples. However, existing DNMF methods employ a layer-by-layer decomposition strategy, which is prone to causing error accumulation and local optimum, thereby hindering a consistent improvement in recognition accuracy as the number of layer increases. In this paper, a robust multilayer feature extraction method, termed generalized deep non-negative matrix factorization (G-DNMF), is proposed to address the above challenges in SAR automatic target recognition (ATR). The G-DNMF aims global optimality and derives the update rules for each parameter using lagrangian multiplier method. The new update formula indicates that both the DNMF method based on the encoding matrix and the mixing matrix are special cases of the proposed method, theoretically demonstrating the universality of proposed method. In general, the proposed method discards the layer-by-layer decomposition strategy, thereby effectively mitigating the risk of local optima and eliminating error accumulation, leading to a significant improvement in DNMF's multi-layer feature extraction capability. The experimental results, by presenting the feature images extracted from each layer by G-DNMF and the reconstructed original images, verified the proposed method's pure additive understanding of multi-layer features and demonstrated its interpretability. The experimental results based on MSTAR and OpenSARship datasets show that G-DNMF outperforms existing DNMF algorithms and their derivatives in terms of stability and recognition performance.
• Abstract（参考訳）: 合成開口レーダ(SAR)ターゲット試料から多層構造を抽出する深層学習手法の低解釈性に対処するために, 深層非負行列分解法(DNMF)を提案する。 しかし、既存のDNMF法では、エラーの蓄積や局所的な最適化を招きやすい層間分解戦略を採用しており、層数の増加に伴って認識精度が一貫した改善を妨げている。 本稿では,SAR自動目標認識(ATR)における課題に対処するため,多層構造抽出手法であるG-DNMF(Generalized Deep Non- negative matrix factorization)を提案する。 G-DNMFはグローバルな最適性を目指しており、ラグランジアン乗算器法を用いて各パラメータの更新規則を導出する。 新しい更新式は、符号化行列と混合行列に基づくDNMF法の両方が提案手法の特別な場合であることが示され、理論的に提案手法の普遍性を実証している。 提案手法は一般に, 層間分解戦略を破棄し, 局所最適のリスクを効果的に軽減し, 誤差蓄積を低減し, DNMFの多層特徴抽出能力を大幅に向上させる。 実験の結果,G-DNMFによる各層から抽出した特徴画像と再構成された原画像から得られた特徴画像を提示することにより,提案手法の多層特徴に対する純粋加法的理解を検証し,その解釈性を示した。 MSTARとOpenSARshipのデータセットに基づく実験結果は、G-DNMFが既存のDNMFアルゴリズムとそれらのデリバティブを安定性と認識性能で上回っていることを示している。

関連論文リスト

• Robust Orthogonal NMF with Label Propagation for Image Clustering [11.353489417171588]
  非負のクラスタリング因子化(artNFMF)は、イメージクラスタリングで広く使われている教師なし学習手法である。 そこで我々は,ノイズ汚損を解決するための (AD) ベースの解法である交互方向法を開発した。
  論文  参考訳（メタデータ） (2025-04-30T09:49:55Z)
• Determining Layer-wise Sparsity for Large Language Models Through a Theoretical Perspective [55.90119819642064]
  本稿では,大規模言語モデル (LLM) の階層的疎度率を理論的観点から決定する上での課題に対処する。 これは、スペーサー化プロセス全体での再構成エラーの累積効果を指す。 この問題を緩和するレイヤワイド・スパシティ・アロケーションに対する、シンプルで効果的なアプローチを導出します。
  論文  参考訳（メタデータ） (2025-02-20T17:51:10Z)
• Feature Attenuation of Defective Representation Can Resolve Incomplete Masking on Anomaly Detection [1.0358639819750703]
  教師なし異常検出(UAD)研究では、計算効率が高くスケーラブルなソリューションを開発する必要がある。 再建・塗り替えのアプローチを再考し、強みと弱みを分析して改善する。 異常再構成の特徴情報を減衰させる2つの層のみを用いるFADeR(Feature Attenuation of Defective Representation)を提案する。
  論文  参考訳（メタデータ） (2024-07-05T15:44:53Z)
• Anti-Collapse Loss for Deep Metric Learning Based on Coding Rate Metric [99.19559537966538]
  DMLは、分類、クラスタリング、検索といった下流タスクのための識別可能な高次元埋め込み空間を学習することを目的としている。 埋め込み空間の構造を維持し,特徴の崩壊を避けるために,反崩壊損失と呼ばれる新しい損失関数を提案する。 ベンチマークデータセットの総合実験により,提案手法が既存の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-03T13:44:20Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Exponentially Convergent Algorithms for Supervised Matrix Factorization [2.1485350418225244]
  Supervised Factorization (SMF) は、抽出タスクと分類タスクを集約する機械学習手法である。 本稿では,組合わせ係数空間推定における低ランク推定問題としてSMFを'リフト'する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） (2023-11-18T23:24:02Z)
• Supervised Class-pairwise NMF for Data Representation and Classification [2.7320863258816512]
  非負行列分解(NMF)に基づく手法は、特定のタスクにモデルを適応させるためにコスト関数に新しい用語を追加する。 NMF法は、因子化行列を推定するための教師なしアプローチを採用する。
  論文  参考訳（メタデータ） (2022-09-28T04:33:03Z)
• A consistent and flexible framework for deep matrix factorizations [17.49766938060264]
  本稿では,深部MFに対して有意義な2つの損失関数を導入し,対応する最適化問題を解くための汎用フレームワークを提案する。 これらのモデルは、合成データと実データの両方、すなわちハイパースペクトルアンミックスと顔の特徴抽出にうまく適用されている。
  論文  参考訳（メタデータ） (2022-06-21T19:20:35Z)
• Log-based Sparse Nonnegative Matrix Factorization for Data Representation [55.72494900138061]
  非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。 そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。 提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
  論文  参考訳（メタデータ） (2022-04-22T11:38:10Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• DS-UI: Dual-Supervised Mixture of Gaussian Mixture Models for Uncertainty Inference [52.899219617256655]
  本稿では、ディープニューラルネットワーク(DNN)に基づく画像認識において、ベイズ推定に基づく不確実性推論(UI)を改善するための二重教師付き不確実性推論(DS-UI)フレームワークを提案する。 DS-UIでは、最後の完全連結(FC)層とガウス混合モデル(MoGMM)を組み合わせ、MoGMM-FC層を得る。 実験の結果,DS-UIは誤分類検出において最先端のUI手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-11-17T12:35:02Z)
• Positive Semidefinite Matrix Factorization: A Connection with Phase Retrieval and Affine Rank Minimization [71.57324258813674]
  位相探索(PR)とアフィンランク最小化(ARM)アルゴリズムに基づいてPSDMFアルゴリズムを設計可能であることを示す。 このアイデアに触発され、反復的ハードしきい値(IHT)に基づくPSDMFアルゴリズムの新たなファミリーを導入する。
  論文  参考訳（メタデータ） (2020-07-24T06:10:19Z)

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。