論文の概要: Polarimetric Scattering-Structure Contrastive Learning for Few-Shot HRRP Recognition

• arxiv url: http://arxiv.org/abs/2611.04490v1
• Date: Tue, 03 Nov 2026 08:19:44 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:51:02.010223
• Title: Polarimetric Scattering-Structure Contrastive Learning for Few-Shot HRRP Recognition
• Title（参考訳）: Few-Shot HRRP認識のためのポラリメトリック散乱-構造コントラスト学習
• Abstract要約: 高分解能レンジプロファイル (HRRP) の認識は, アスペクト依存性の強い変化と, 疎度な新規なサポートによって困難である。 偏光散乱構造コントラスト学習(PSS-CL)を提案する。 クロスアスペクト1、3、5ショット認識では、PSS-CLは81.73%、86.92%、90.98%の平均クラス精度(MCA)を達成した。
• 参考スコア（独自算出の注目度）: 12.321936610703608
• License:
• Abstract: Few-shot high-resolution range profile (HRRP) recognition is challenged by strong aspect-dependent variation and sparse novel-class support. We propose polarimetric scattering-structure contrastive learning (PSS-CL), which supplies an episodic HRRP encoder with a structured physical training view. Dominant local responses are represented by their soft affinities to canonical polarimetric mechanisms, normalized range locations, and energy contributions. A symmetric cross-view objective transfers this scattering structure to the learned HRRP representation, while episodic prototype learning supports novel-class inference without the physical branch. We conduct Random-aspect and Cross-aspect experiments on a six-class measured dataset. In Cross-aspect 1-, 3-, and 5-shot recognition, PSS-CL achieves 81.73%, 86.92%, and 90.98% mean class accuracy (MCA), respectively, outperforming the best competing results by 5.62%, 3.09%, and 3.56%.
• Abstract（参考訳）: 高分解能レンジプロファイル (HRRP) の認識は, アスペクト依存性の強い変化と, 疎度な新規なサポートによって困難である。 そこで本研究では, 階層型HRRPエンコーダを物理的に構築した, 偏光散乱構造コントラスト学習(PSS-CL)を提案する。 支配的な局所反応は、正準偏光度機構、正規化範囲位置、エネルギー寄与へのソフトアフィニティによって表される。 対称的クロスビュー目的は、この散乱構造を学習されたHRRP表現に転送する一方、エピソディックなプロトタイプ学習は物理分岐なしで新規なクラス推論をサポートする。 6種類の測定データセット上でランダム・アスペクトとクロス・アスペクトの実験を行う。 クロスアスペクト1-、3-、および5-ショット認識では、PSS-CLは81.73%、86.92%、90.98%の平均クラス精度(MCA)を達成し、それぞれ5.62%、3.09%、3.56%の競争結果を上回っている。

関連論文リスト

• P-SER: Physical Consistency-Constrained Scattering Expandable Representation for Class-Incremental HRRP Target Recognition [12.321936610703608]
  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。
  論文  参考訳（メタデータ） (2026-11-03T03:45:20Z)
• Escaping the Phylogenetic Trap: Persistent Homology Enables Cross-Species Ion Channel Classification via Multimodal Graph Neural Networks [0.33192154134362]
  我々は、ESM-2配列の埋め込みをジスルフィド対応グラフアテンションネットワークに融合させるマルチモーダルバックボーンを使用する。 我々は,1,373ColabFold予測毒素化合物のベンチマークにおいて,残量1タキソンアウト評価プロトコルの下での5つの構造誘導バイアスを比較した。 我々のパーシステンス・ホモロジー・モデル(PH-GNN)は63.4%を達成し、次のベスト・メソッドを8ポイント以上上回った。
  論文  参考訳（メタデータ） (2026-10-21T19:59:07Z)
• Beyond Counts: A Distributional Robustness Margin For Pathology Foundation Models [3.654533421083683]
  ロバストネス指数(RI)は、局所的な表現幾何学が生物学や非生物学的変異によって支配されているかどうかを定量化する。 距離重み付けは、RIのプール型固定近傍設計に深く制限されているため、ほとんど変化しないことを示す。 我々は、クロス・コンファウンデーション・バイオ・マッチとクロス・コンファウンデーション・バイオ・イントラクタとを直接比較するサンプル解決尺度であるクロス・コンファウンデーション・ロバストネス・マージン(CRoMa)を紹介した。
  論文  参考訳（メタデータ） (2026-07-28T09:34:30Z)
• Conservative Subject Invariant EMG-based Gesture Recognition [5.3586882207603]
  クロスオブジェクト一般化は表面筋電図に基づくジェスチャー認識における課題である。 主観不変なsEMGジェスチャー認識のための保守的多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-04T09:14:11Z)
• Beyond Localization: A Comprehensive Diagnosis of Perspective-Conditioned Spatial Reasoning in MLLMs from Omnidirectional Images [52.50752250573993]
  MLLM(Multimodal Large Language Models)は、視覚的知覚が強いが、視点の変化による空間の推論には限界がある。 本研究では、この課題を全方位360度画像におけるパースペクティブ・コンディションド・スペース・推論(PCSR)として検討する。 我々は2,600全方位画像から84,373組の質問応答対の診断ベンチマークであるPCSR-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-12T17:11:17Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• MS-ISSM: Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity [65.85858856481131]
  点雲の非構造的で不規則な性質は、客観的品質評価(PCQA)に重大な課題をもたらす マルチスケールインシシシット構造類似度測定(MS-ISSM)を提案する。
  論文  参考訳（メタデータ） (2026-01-03T14:58:52Z)
• Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology [64.46054930696052]
  敵対的攻撃は、医療のような重要な分野におけるビジョンモデルに重大な課題をもたらす。 既存の自己監督型逆行訓練手法は、病理像の階層構造を見落としている。 本稿では,これらの特性を活かした階層型自己監督適応訓練(HSAT)を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:59:47Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)
• Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition [59.29808528182607]
  クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。 既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。 本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
  論文  参考訳（メタデータ） (2021-03-25T14:03:42Z)

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。