[论文解读] Joint Embedding and Classification for SAR Target Recognition.

Jiayun Wang, Patrick Virtue+1 more|arXiv (Cornell University)|Dec 5, 2017

Advanced SAR Imaging Techniques被引用 7

一句话总结

本文提出了一种用于SAR目标识别的联合嵌入与分类损失方法，以提升模型的鲁棒性与泛化能力。通过同时优化嵌入空间中的特征聚类与最终分类准确率——尤其在分类层应用嵌入损失时——该方法在MSTAR数据集上实现了更优的性能，所学特征空间中类间分离更加清晰。

ABSTRACT

Deep learning can be an effective and efficient means to automatically detect and classify targets in synthetic aperture radar (SAR) images, but it is critical for trained neural networks to be robust to variations that exist between training and test environments. The layers in a neural network can be understood to be successive transformations of an input image into embedded feature representations and ultimately into a semantic class label. To address the overfitting problem in SAR target classification, we train neural networks to optimize the spatial clustering of points in the embedded space in addition to optimizing the final classification score. We demonstrate that networks trained with this dual embedding and classification loss outperform networks with only a classification loss. We study placing the embedding loss after different network layers and and found that applying the embedding loss on the classification space results in the best the SAR classification performance. Finally, our visualization of the network's ten-dimensional classification space supports our claim that the embedding loss encourages a better embedding, namely greater separation between target class clusters for both training and testing partitions of the MSTAR dataset.

研究动机与目标

• 解决因训练与测试数据间域偏移导致的SAR目标分类过拟合问题。
• 通过促进更好的特征空间聚类，提升深度神经网络在SAR图像识别中的泛化能力。
• 探究在不同网络层应用嵌入损失对分类性能的影响。
• 证明联合优化嵌入与分类损失可获得更具判别性的特征表示。

提出的方法

• 使用双损失函数训练深度神经网络：交叉熵分类损失与对比嵌入损失。
• 将嵌入损失应用于网络中多个层的特征表示，包括最终的分类层。
• 采用对比损失以最大化类间分离并最小化类内差异，从而优化嵌入特征空间。
• 同时使用分类损失与嵌入损失，端到端优化网络。
• 可视化学习到的10维分类空间，以分析聚类结构与分离程度。
• 使用SAR目标识别的标准指标，在MSTAR基准数据集上评估性能。

实验结果

研究问题

• RQ1 与仅使用分类损失训练相比，联合优化嵌入与分类损失是否能提升SAR目标识别性能？
• RQ2 在神经网络架构中，嵌入损失在何处应用可最有效地提升分类准确率？
• RQ3 联合训练策略如何影响嵌入空间中特征表示的聚类结构？
• RQ4 嵌入损失能否增强SAR图像中训练与测试数据分布之间的泛化能力？
• RQ5 嵌入损失的位置对学习特征空间中类间分离的影响如何？

主要发现

• 同时使用嵌入与分类损失训练的网络，性能优于仅使用分类损失训练的网络。
• 在分类层应用嵌入损失可获得最佳的整体分类性能。
• 可视化结果证实，嵌入损失显著改善了10维特征空间中的类间分离。
• 联合训练方法使MSTAR数据集训练与测试划分之间的特征表示更具鲁棒性与泛化能力。
• 该方法在嵌入空间中实现了目标类别更优的聚类，表明其判别能力得到提升。