合成孔径雷达 (SAR) 图像通常用于军事应用中的自动目标识别 (ATR)。机器学习(ML)方法,如卷积神经网络(CNN)和图神经网络(GNN),经常用于识别地面目标,包括作战坦克、运兵车和导弹发射器。确定车辆类别(如 BRDM2 坦克、BMP2 坦克、BTR60 坦克和 BTR70 坦克)至关重要,因为这有助于确定目标对象是盟军还是敌军。虽然多重参照算法能提供识别目标的反馈信息,但最终决定权还在指挥官手中。因此,在识别目标的同时提供详细信息会对他们的行动产生重大影响。详细信息包括有助于分类的合成孔径雷达图像特征、分类置信度以及所识别目标被归类为不同目标类型或类别的概率。本文了提出了一种基于 GNN 的 ATR 框架,可提供最终分类类别并输出上述详细信息。这是首次对分类类别进行详细分析的研究,从而使最终决策更加简单明了。此外,在 MSTAR 数据集上进行评估时,GNN 框架达到了 99.2% 的整体准确率,比之前最先进的 GNN 方法有所提高。

图1:SAR ATR的可解释GNN框架

成为VIP会员查看完整内容
30

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
使用多层胶囊网络的国防军事目标检测
专知会员服务
43+阅读 · 2022年8月14日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
深度学习与计算机视觉任务应用综述
深度学习与NLP
50+阅读 · 2018年12月18日
基于几何特征的激光雷达地面点云分割
泡泡机器人SLAM
15+阅读 · 2018年4月1日
国家自然科学基金
11+阅读 · 2015年12月31日
国家自然科学基金
33+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
40+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
11+阅读 · 2014年12月31日
国家自然科学基金
10+阅读 · 2012年12月31日
A Survey of Large Language Models
Arxiv
398+阅读 · 2023年3月31日
Arxiv
26+阅读 · 2020年2月21日
VIP会员
相关VIP内容
使用多层胶囊网络的国防军事目标检测
专知会员服务
43+阅读 · 2022年8月14日
相关基金
国家自然科学基金
11+阅读 · 2015年12月31日
国家自然科学基金
33+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
40+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
11+阅读 · 2014年12月31日
国家自然科学基金
10+阅读 · 2012年12月31日
微信扫码咨询专知VIP会员