2020
DOI: 10.1155/2020/5464010
|View full text |Cite
|
Sign up to set email alerts
|

Block Sparse Bayesian Learning over Local Dictionary for Robust SAR Target Recognition

Abstract: This paper applied block sparse Bayesian learning (BSBL) to synthetic aperture radar (SAR) target recognition. The traditional sparse representation-based classification (SRC) operates on the global dictionary collaborated by different classes. Afterwards, the similarities between the test sample and various classes are evaluated by the reconstruction errors. This paper reconstructs the test sample based on local dictionaries formed by individual classes. Considering the azimuthal sensitivity of SAR images, th… Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1

Citation Types

0
1
0
1

Year Published

2020
2020
2023
2023

Publication Types

Select...
3
1

Relationship

0
4

Authors

Journals

citations
Cited by 4 publications
(2 citation statements)
references
References 62 publications
0
1
0
1
Order By: Relevance
“…Особенно эффективно в этом плане проявляет себя низкоранговое матричное разложение, при использовании которого точность распознавания отдельных типов объектов базы MSTAR достигает 99 % [134], которое так же может использоваться как инструмент снижения размерности в задаче обнаружения изменений по полным сценам космоснимков [135]. Также широкое применение находит предварительное преобразование с помощью метода главных компонент [136][137][138] и выделение частотных признаков с использованием вейвлет-преобразования, позволяющее достигнуть точности распознавания до 95 % и выше на примере реальных радиолокационных данных ДЗЗ [8,9,139], Достаточно часто встречаются различные гибридные архитектуры, например, использование принципов байесовской классификации на этапе нахождения оптимальных «атомов» в методе разреженных представлений [140][141][142], демонстрируя точность, превышающую 97 % на примере распознавания объектов базы MSTAR. Байесовский классификатор успешно применяется на этапе обучения свёрточных нейронных сетей, позволяя достигнуть точности распознавания целей по реальным РЛИ до 98 % и выше без значительного углубления сети [125,143,144].…”
Section: байесовский классификаторunclassified
“…Особенно эффективно в этом плане проявляет себя низкоранговое матричное разложение, при использовании которого точность распознавания отдельных типов объектов базы MSTAR достигает 99 % [134], которое так же может использоваться как инструмент снижения размерности в задаче обнаружения изменений по полным сценам космоснимков [135]. Также широкое применение находит предварительное преобразование с помощью метода главных компонент [136][137][138] и выделение частотных признаков с использованием вейвлет-преобразования, позволяющее достигнуть точности распознавания до 95 % и выше на примере реальных радиолокационных данных ДЗЗ [8,9,139], Достаточно часто встречаются различные гибридные архитектуры, например, использование принципов байесовской классификации на этапе нахождения оптимальных «атомов» в методе разреженных представлений [140][141][142], демонстрируя точность, превышающую 97 % на примере распознавания объектов базы MSTAR. Байесовский классификатор успешно применяется на этапе обучения свёрточных нейронных сетей, позволяя достигнуть точности распознавания целей по реальным РЛИ до 98 % и выше без значительного углубления сети [125,143,144].…”
Section: байесовский классификаторunclassified
“…Jiao et al [28] proposed a multi-scale and multi-scene ship detection approach for SAR images, which could detect small scale ships and avoid the interference of inshore complex background. Li et al [29] proposed block sparse Bayesian learning (BSBL) to synthetic aperture radar (SAR) target recognition, which considers the azimuthal sensitivity of SAR images and the sparse coefficients on the local dictionary. However, most of the existing SAR ATR methods only focus on improving the detection or recognition performance and still need various separate subsystems for different functions.…”
Section: Introductionmentioning
confidence: 99%