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