論文の概要: P-SER: Physical Consistency-Constrained Scattering Expandable Representation for Class-Incremental HRRP Target Recognition

• arxiv url: http://arxiv.org/abs/2611.04254v1
• Date: Tue, 03 Nov 2026 03:45:20 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:32:54.378273
• Title: P-SER: Physical Consistency-Constrained Scattering Expandable Representation for Class-Incremental HRRP Target Recognition
• Title（参考訳）: P-SER: クラスインクリメンタルHRRPターゲット認識のための物理的一貫性制約付き散乱拡張表現
• Abstract要約: 本稿では,P-SERを提案する。 P-SERは、複素数値和および方位差チャネルHRRPと観測幾何学から支配散乱点を再構成する。 HRRPデータセットのシミュレーションおよび測定実験により、P-SERは旧来の例を残さずに、競争力のある認識性能を提供することが示された。
• 参考スコア（独自算出の注目度）: 12.321936610703608
• License:
• Abstract: High-resolution range profiles (HRRPs) provide compact radar target representations but exhibit strong aspect sensitivity, complicating class-incremental recognition when historical data are unavailable. Changes in viewing aspect shift scattering-peak locations and amplitudes, while reflector groups may produce responses resembling ships. Existing dynamic expansion methods can also incur substantial parameter and memory overhead. To address these challenges, we propose P-SER, a Physical Consistency-Constrained Scattering Expandable Representation framework for exemplar-free class-incremental HRRP recognition. P-SER reconstructs dominant scattering points from complex-valued sum- and azimuth-difference-channel HRRPs and observation geometry. The reconstructed spatial structure, target extent, and energy distribution are used to derive class-level scattering prototypes and sample-level saliency priors, providing physically grounded constraints for feature learning and old-class knowledge retention. A primitive scatterer dictionary further characterizes local strong-scattering mechanisms and calibrates uncertain ship--reflector predictions at inference. Meanwhile, lightweight residual adapters are incrementally introduced into a shared HRRP backbone to learn new classes with limited model growth. Experiments on simulated and measured HRRP datasets show that P-SER delivers competitive recognition performance without retaining old-class exemplars, while maintaining physical consistency, interference robustness, knowledge retention, and model scalability.
• Abstract（参考訳）: 高分解能レンジプロファイル(HRRP)は、コンパクトなレーダーターゲット表現を提供するが、強いアスペクト感度を示し、歴史的データが利用できない場合にクラスインクリメンタル認識を複雑にする。 視界の変化は散乱ピークの位置と振幅をシフトさせ、リフレクター群は船に似た反応を生じさせる。 既存の動的拡張メソッドは、かなりのパラメータとメモリオーバーヘッドを発生させる可能性がある。 これらの課題に対処するため,P-SERを提案する。 P-SERは、複素数値和および方位差チャネルHRRPと観測幾何学から支配散乱点を再構成する。 再構成された空間構造、対象範囲、エネルギー分布は、クラスレベルの散乱プロトタイプとサンプルレベルの塩分濃度先行を導出するために使用され、特徴学習と旧クラスの知識保持のための物理的に基礎付けられた制約を提供する。 プリミティブな散乱器辞書は、局所的な強い散乱機構を特徴付け、不確実な船体をキャラブレートする。 一方、軽量な残留アダプタは共有HRRPバックボーンに徐々に導入され、モデルの成長が制限された新しいクラスを学ぶ。 HRRPデータセットのシミュレーションおよび測定実験により、P-SERは、物理整合性、干渉堅牢性、知識保持、モデルのスケーラビリティを維持しながら、旧来の例を維持せずに、競争力のある認識性能を提供することが示された。

関連論文リスト

• PhoenixSR: Generative Heterogeneous Distillation Unleashes Efficient Models for Real-World Super-Resolution [77.62046566633215]
  実世界の超解像(SR)は、複雑な低分解能観測から知覚的に現実的な高分解能像を復元する必要がある。 PhoenixSRは独立に設計されたフィードフォワードSRネットワークに拡散先行を転送する生成ヘテロジニアス蒸留フレームワークである。 3つのSRベンチマークと6つのフィードフォワードバックボーン(SwinIR、HAT、Real-ESRGAN、SeeeMoRe)の実験は、ほとんど保存された復元フィデリティと一貫した知覚的改善を示している。
  論文  参考訳（メタデータ） (2026-09-25T08:34:32Z)
• 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)
• Evaluating the Representation Space of Diffusion Models via Self-Supervised Principles [35.85907484884706]
  拡散モデルの表現と生成能力を評価するためのフレームワークを提案する。 拡散モデルの識別的および生成的挙動を解析する。 この結果から,自己監督的視点から拡散モデルを監視することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-06-08T16:44:18Z)
• Supervised Distributional Reduction via Optimal Transport and Dependence Maximization [1.0499611180329804]
  ターゲット認識表現を学習するアルゴリズムであるSupervised Distribution Reduction (SDR)を提案する。 SDRはFused Gromov-Wasserstein (FGW) の目的に基づいて構築され、入力分布のリレーショナル構造を代表点の集合と整列する。 SDRはデータ依存の非定常幾何学を自然に誘導し、ガウス過程(GP)モデリングのような設定に利用することができる。
  論文  参考訳（メタデータ） (2026-05-26T19:38:20Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
  本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。 モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
  論文  参考訳（メタデータ） (2026-05-16T12:01:04Z)
• HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
  ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。 本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
  論文  参考訳（メタデータ） (2026-05-13T14:14:13Z)
• DegBins: Degradation-Driven Binning for Depth Super-Resolution [57.61783461543096]
  DegBinsは、劣化駆動のビンニングを利用して残留モデリングを適応的に強化する新しいDSRフレームワークである。 DegBinsは、精度、堅牢性、一般化の観点から、既存の最先端メソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-10T16:17:11Z)
• Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
  本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。 ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。 HERLは最先端のアプローチよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-18T10:50:46Z)
• Robust HRRP Recognition under Interrupted Sampling Repeater Jamming using a Prior Jamming Information-Guided Network [16.2515496724034]
  本稿では,事前ジャミング情報によって案内される堅牢なHRRP認識手法を提案する。 提案手法は最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-28T15:09:12Z)

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。