Physics Inspired Hybrid Attention for SAR Target Recognition

要約

最近では、パフォーマンスを向上させ、より高いレベルの物理的解釈可能性を達成するために、SAR ターゲット認識用の物理モデルとディープ ニューラル ネットワーク (DNN) を統合することに重点が置かれています。
帰属散乱中心 (ASC) パラメーターが最も関心を集めており、ほとんどの手法で融合のための追加の入力データまたは特徴として考慮されています。
しかし、性能は ASC の最適化結果に大きく依存し、融合戦略は異なる種類の物理情報に適応できません。
一方、現在の評価スキームは、モデルの堅牢性と一般化可能性を評価するには不十分です。
したがって、上記の問題に対処するために、物理学に触発されたハイブリッド アテンション (PIHA) メカニズムとワンス フォー オール (OFA) 評価プロトコルを提案します。
PIHA は、物理情報の高レベルのセマンティクスを活用して、ターゲットのローカル セマンティクスを認識する機能グループをアクティブ化し、誘導し、事前の知識に基づいて機能の重要性を再重み付けします。
柔軟性があり、さまざまな物理モデルに一般的に適用でき、元のアーキテクチャを変更せずに任意の DNN に統合できます。
実験には、提案された OFA を使用した厳密な評価が含まれます。これには、十分なデータまたは限られたデータでモデルをトレーニングおよび検証し、異なるデータ分布を持つ複数のテスト セットで評価することが含まれます。
私たちの方法は、同じ ASC パラメーターを使用した 12 のテスト シナリオにおいて、他の最先端のアプローチよりも優れたパフォーマンスを発揮します。
さらに、PIHA の動作メカニズムを分析し、さまざまな PIHA 対応 DNN を評価します。
この実験では、PIHAがさまざまな身体情報に対して効果的であることも示しています。
ソースコードと採用された物理情報は https://github.com/XAI4SAR で入手できます。

要約(オリジナル)

There has been a recent emphasis on integrating physical models and deep neural networks (DNNs) for SAR target recognition, to improve performance and achieve a higher level of physical interpretability. The attributed scattering center (ASC) parameters garnered the most interest, being considered as additional input data or features for fusion in most methods. However, the performance greatly depends on the ASC optimization result, and the fusion strategy is not adaptable to different types of physical information. Meanwhile, the current evaluation scheme is inadequate to assess the model’s robustness and generalizability. Thus, we propose a physics inspired hybrid attention (PIHA) mechanism and the once-for-all (OFA) evaluation protocol to address the above issues. PIHA leverages the high-level semantics of physical information to activate and guide the feature group aware of local semantics of target, so as to re-weight the feature importance based on knowledge prior. It is flexible and generally applicable to various physical models, and can be integrated into arbitrary DNNs without modifying the original architecture. The experiments involve a rigorous assessment using the proposed OFA, which entails training and validating a model on either sufficient or limited data and evaluating on multiple test sets with different data distributions. Our method outperforms other state-of-the-art approaches in 12 test scenarios with same ASC parameters. Moreover, we analyze the working mechanism of PIHA and evaluate various PIHA enabled DNNs. The experiments also show PIHA is effective for different physical information. The source code together with the adopted physical information is available at https://github.com/XAI4SAR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google