智能AI
morning
SAR车辆识别能力有多少? MSTAR 和 ATRNet-STAR 上的背景快捷方式、角度间隙和部分库
2026-11-18
1 阅读
约2分钟阅读
Mousa Shaya
字号:
arXiv:2611.21827v1 公告类型:新 摘要:深度网络在 MSTAR 车辆基准测试中得分接近 99%,而较新的 ATRNet-STAR 基准测试的难度更高。我们询问这些分数中有多少来自车辆本身。使用现代网络(ConvNeXt-Small,3 个种子),我们首先重现已知的 MSTAR 结果:将中心 96x96 像素清零后,准确度仍为 73.3%(机会 10%)。 ATRNet-STAR 中也存在相同的捷径,它是在多个场景中收集的:移除车辆后,40 级 SOC 分割的准确率为 63.3%(机会为 2.5%)。在官方的场景切换分割下,背景不再有帮助,而是开始造成伤害。全芯片上的准确度为 22.8%,仅显示车辆时的准确度为 30.8%。 SAR 基础模型 SARATR-X 比 ConvNeXt 更依赖于背景(在每个种子中,移除车辆后+4 到 +6 分),并且不能解决场景变化问题。然后,我们保持训练数据量固定并改变用于训练的俯角。准确度主要取决于与最近训练角度的差距:15 度时为 57%,30 度时为 39%,45 度时为 26%。添加更多的训练角度并没有帮助。最后,当大多数类都具有测试角度的训练图像而少数类没有时,缺失的类的表现比没有类具有训练图像时更差:在 45 度差距时为 9.0%,而不是 22.4%。他们的大多数图像都分配给已知的类别。我们建议在任何精度数字旁边报告仅背景和仅目标控制以及角度间隙。代码是公开的。
这篇文章对您有帮助吗?
订阅66必读
每日精选科技资讯,直达你的邮箱