一种用于鲁棒小样本SAR自动目标识别的全局模型方法  

A Global Model Approach to Robust Few-Shot SAR Automatic Target Recognition

作　　者：陈丽(译) Nathan Inkawhich 

机构地区：[1]不详

出　　处：《电子工程信息》2023年第6期44-48,共5页Electronic Engineering Information

摘　　要：在现实世界的场景中,并不是每个类别都能够收集数百个标记样本来训练基于深度学习的合成孔径雷达(SAR)自动目标识别(ATR)模型。本研究专门解决了小样本SARATR问题,在该研究中,只有少数标记样本可用于支持感兴趣的任务。本文的研究方法由两个阶段组成。在第一阶段,通过自监督式学习(SSL)在大量不同和未标记的SAR数据上训练全局表征模型。在第二阶段,全局模型被用作固定的特征提取器,并对分类器进行训练,从而在给定少量支持样本的情况下划分特征空间,同时对其进行校准以检测异常输入。与需要原始标记数据集通过元学习进行预训练的竞争方法不同,本文方法是从与下游任务几乎没有关系的未标记数据中学习高度可转移的特征。本研究在标准的和扩展的运动和静止目标捕获与识别(MSTAR)操作条件下对所提方法进行评估,发现该方法可以在许多不同小样本设置中实现高精度和鲁棒的分布外(OOD)检测。本研究的结果特别重要,因为它们显示了SARATR全局模型方法的优点,该方法进行了最小假设,并提供了很多可扩展方向的轴线。

关 键 词：自动目标识别(ATR) 深度学习 少样本学习(FSL) 分布外(OOD)检测 

分 类 号：TP3[自动化与计算机技术—计算机科学与技术]