SAR target recognition network based on frequency domain covariance matrix and Riemannian manifold
Notice bibliographique
Résumé
Synthetic Aperture Radar (SAR) image target recognition is a critical problem in remote sensing. Traditional deep learning-based methods often overlook the rich information in the frequency domain of SAR images. Existing frequency domain based approaches typically rely on prior knowledge to select different frequency components or guide network learning, failing to fully exploit the information contained in the frequency domain. We believe that knowledge from the macroscopic high-dimensional space needs to be harnessed to learn about the frequency domain. Therefore, in this paper, we propose an innovative SAR target recognition framework known as FDCM-Net (Frequency Domain Covariance Matrix and Riemannian Manifold Network). Our method integrates the frequency domain information of SAR images with the covariance matrix, revealing the complex relationships between different frequency components and delving into the latent features within the frequency domain. Additionally, we explore the geometric properties of the covariance matrix and design an innovative network architecture based on Riemannian manifold theory. This network effectively captures important information from the frequency domain of SAR images in high-dimensional space while preserving the geometric characteristics of the original data and performing classification. We conducted comprehensive evaluations of FDCM-Net using the MSTAR, OpenSARShip 2.0 and FUSAR-Ship 1.0 datasets. Our results demonstrate that FDCM-Net outperforms previous methods based on spatial and frequency domain baselines in terms of classification performance. • FDCM-Net integrates SAR frequency info and covariance matrices for latent features. • Innovative network captures frequency info and preserves geometric properties. • Combines texture, SPD manifold, and multi-manifold fusion with classification. • Experiments show FDCM-Net outperforms baselines on three datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».