Multisource Semisupervised Adversarial Domain Generalization Network for Cross-Scene Sea\textendash Land Clutter Classification

要約

空波地平線レーダー (OTHR) のためのディープ ラーニング (DL) ベースの海\textendash 陸地クラッター分類は、新しい研究トピックとなっています。
エンジニアリング用途では、既存の分布の不一致を伴う海と陸地とのリアルタイムの予測が非常に重要です。
この問題を解決するために、この記事では、クロスシーン海/テキストエンダッシュ陸地クラッター分類のための新しいマルチソース半教師あり敵対的ドメイン一般化ネットワーク (MSADGN) を提案します。
MSADGN は、1 つのラベル付きソース ドメインと複数のラベルなしソース ドメインからドメイン不変の特徴とドメイン固有の特徴を抽出し、これらの特徴を任意の目に見えないターゲット ドメインに一般化して、海/テキストエンダッシュ陸地クラッターをリアルタイムで予測できます。
具体的には、MSADGN は、ドメイン関連の擬似ラベル付けモジュール、ドメイン不変モジュール、ドメイン固有モジュールの 3 つのモジュールで構成されています。
最初のモジュールでは、ドメイン関連擬似ラベルと呼ばれる改良された擬似ラベル方法を導入します。これは、ラベルのないソース ドメインを完全に活用するための信頼できる擬似ラベルを生成するように設計されています。
2 番目のモジュールは、多重識別子を備えた敵対的生成ネットワーク (GAN) を利用してドメイン不変の特徴を抽出し、ターゲット ドメインでのモデルの伝達​​性を高めます。
3 番目のモジュールは、並列多重分類器ブランチを使用してドメイン固有の特徴を抽出し、ターゲット ドメインでのモデルの識別性を強化します。
私たちの方法の有効性は、12 のドメイン一般化 (DG) シナリオで検証されています。
一方、比較のために 10 の最先端の DG 手法を選択しました。
実験結果は、我々の方法の優位性を示しています。

要約(オリジナル)

Deep learning (DL)-based sea\textendash land clutter classification for sky-wave over-the-horizon-radar (OTHR) has become a novel research topic. In engineering applications, real-time predictions of sea\textendash land clutter with existing distribution discrepancies are crucial. To solve this problem, this article proposes a novel Multisource Semisupervised Adversarial Domain Generalization Network (MSADGN) for cross-scene sea\textendash land clutter classification. MSADGN can extract domain-invariant and domain-specific features from one labeled source domain and multiple unlabeled source domains, and then generalize these features to an arbitrary unseen target domain for real-time prediction of sea\textendash land clutter. Specifically, MSADGN consists of three modules: domain-related pseudolabeling module, domain-invariant module, and domain-specific module. The first module introduces an improved pseudolabel method called domain-related pseudolabel, which is designed to generate reliable pseudolabels to fully exploit unlabeled source domains. The second module utilizes a generative adversarial network (GAN) with a multidiscriminator to extract domain-invariant features, to enhance the model’s transferability in the target domain. The third module employs a parallel multiclassifier branch to extract domain-specific features, to enhance the model’s discriminability in the target domain. The effectiveness of our method is validated in twelve domain generalizations (DG) scenarios. Meanwhile, we selected 10 state-of-the-art DG methods for comparison. The experimental results demonstrate the superiority of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google