Energy Score-based Pseudo-Label Filtering and Adaptive Loss for Imbalanced Semi-supervised SAR target recognition

要約

自動目標認識 (ATR) は、合成開口レーダー (SAR) 画像解釈の重要な使用例です。
近年、半教師あり学習に基づく SAR ATR テクノロジーが大幅に進歩しました。
ただし、既存の半教師あり SAR ATR アルゴリズムでは、クラスの不均衡の場合、認識精度が低くなります。
この研究は、動的エネルギー スコアと適応損失を使用した、非平衡半教師あり SAR ターゲット認識アプローチを提供します。
まず、トレーニング中にトレーニング分布に近いラベルのないサンプルを擬似ラベルとして動的に選択するエネルギー スコア ベースの方法が開発され、ロングテール分布状況における擬似ラベルの信頼性が保証されます。
第二に、適応マージン知覚損失と適応ハードトリプレット損失を含む、クラスの不均衡に適した損失関数が提案されます。前者は分類器のクラス間の混乱を相殺し、擬似ラベル生成に固有の不均衡問題を軽減します。
後者は、トレーニング中に複雑で困難なサンプルに焦点を当てることにより、多数派クラスに対するモデルの優先順位に効果的に取り組みます。
極端に不均衡な SAR データセットでの実験結果は、提案された方法がラベルの不足とデータの不均衡という二重の制約の下で良好に機能し、データの不均衡によって引き起こされるモデルのバイアスを効果的に克服し、高精度のターゲット認識を達成することを示しています。

要約(オリジナル)

Automatic target recognition (ATR) is an important use case for synthetic aperture radar (SAR) image interpretation. Recent years have seen significant advancements in SAR ATR technology based on semi-supervised learning. However, existing semi-supervised SAR ATR algorithms show low recognition accuracy in the case of class imbalance. This work offers a non-balanced semi-supervised SAR target recognition approach using dynamic energy scores and adaptive loss. First, an energy score-based method is developed to dynamically select unlabeled samples near to the training distribution as pseudo-labels during training, assuring pseudo-label reliability in long-tailed distribution circumstances. Secondly, loss functions suitable for class imbalances are proposed, including adaptive margin perception loss and adaptive hard triplet loss, the former offsets inter-class confusion of classifiers, alleviating the imbalance issue inherent in pseudo-label generation. The latter effectively tackles the model’s preference for the majority class by focusing on complex difficult samples during training. Experimental results on extremely imbalanced SAR datasets demonstrate that the proposed method performs well under the dual constraints of scarce labels and data imbalance, effectively overcoming the model bias caused by data imbalance and achieving high-precision target recognition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google