《基于alpha混合和深层训练的合成孔径雷达数据增强》2023最新127页论文

合成孔径雷达（SAR）图像中基于人类的目标检测是复杂的、技术性的、费力的、缓慢的，但时间很关键，是机器学习（ML）的完美应用。训练一个用于目标检测的ML网络需要非常大的图像数据集，这些数据集中嵌入了准确和精确标记的目标。不幸的是，不存在这样的SAR数据集。因此，本文提出一种方法，通过结合两个现有的数据集来合成宽视场（FOV）SAR图像： SAMPLE，由真实和合成的单物体芯片组成，以及MSTAR杂波，由真实的宽视场SAR图像组成。合成目标使用基于阈值的分割从SAMPLE中提取，然后再与MSTAR杂波中的斑块进行α-混合。为了验证新的合成方法，使用一个简单的卷积神经网络（CNN）创建了单个物体芯片并进行了分类；针对测量的SAMPLE子集进行测试。还开发了一种新颖的技术来研究深层的训练活动。拟议的数据增强技术使测量的SAR图像分类的准确性增加了17%。这一改进表明，来自分割和混合的任何残余伪影都不会对ML产生负面影响，这对于未来在广域SAR合成中的使用是很有希望的。

"在MSTAR数据收集期间拍摄的M1的EO图像（a，c）和同一车辆的真实CAD模型（b，d）从两个角度进行了比较。请注意，即使是小的细节，如火炮的位置、舱门和车辆侧面的电缆，在两张图像之间也很一致。提供CAD模型的颜色是为了识别零件组装，并不表示任何影响电磁模拟的具体属性" [10]。

"SAMPLE数据集中每个飞行器的一个图像的例子。测量的MSTAR图像在最上面一行，相应的合成图像在最下面一行....，我们看到诸如阴影、方向和相对回波幅度等细节都很一致"[10]。