SAR ATR中标签噪声不确定性建模与纠正

TN957.52; 深度监督学习在合成孔径雷达自动目标识别任务中的成功依赖于大量标签样本.但是,在大规模数据集中经常存在错误(噪声)标签,很大程度降低网络训练效果.该文提出一种基于损失曲线拟合的标签噪声不确定性建模和基于噪声不确定度的纠正方法:以损失曲线作为判别特征,应用无监督模糊聚类算法获得聚类中心和类别隶属度以建模各样本标签噪声不确定度;根据样本标签噪声不确定度将样本集划分为噪声标签样本集、正确标签样本集和模糊标签样本集,以加权训练损失方法分组处理训练集,指导分类网络训练实现纠正噪声标签.在MSTAR数据集上的实验证明,该文所提方法可处理数据集中混有不同比例标签噪声情况下的网络训练问题,有...

Full description

Saved in:
Bibliographic Details
Published in雷达学报 Vol. 13; no. 5; pp. 974 - 984
Main Authors 于跃, 王琛, 师君, 陶重犇, 李良, 唐欣欣, 周黎明, 韦顺军, 张晓玲
Format Journal Article
LanguageChinese
Published 苏州科技大学电子与信息工程学院 苏州 215000%电子科技大学信息与通信工程学院 成都 611731%四川航天系统工程研究所 成都 610100%重庆交通大学信息科学与工程学院 重庆 400074%电磁空间安全全国重点实验室 成都 610036 01.10.2024
Subjects
标签噪声纠正
Label noise uncertainty modeling
Fuzzy clustering algorithm
模糊聚类算法
合成孔径雷达
Synthetic Aperture Radar(SAR)
标签噪声不确定性建模
标签噪声
Label noise
Label noise correction
Online AccessGet full text

Cover

More Information
Summary:TN957.52; 深度监督学习在合成孔径雷达自动目标识别任务中的成功依赖于大量标签样本.但是,在大规模数据集中经常存在错误(噪声)标签,很大程度降低网络训练效果.该文提出一种基于损失曲线拟合的标签噪声不确定性建模和基于噪声不确定度的纠正方法:以损失曲线作为判别特征,应用无监督模糊聚类算法获得聚类中心和类别隶属度以建模各样本标签噪声不确定度;根据样本标签噪声不确定度将样本集划分为噪声标签样本集、正确标签样本集和模糊标签样本集,以加权训练损失方法分组处理训练集,指导分类网络训练实现纠正噪声标签.在MSTAR数据集上的实验证明,该文所提方法可处理数据集中混有不同比例标签噪声情况下的网络训练问题,有效纠正标签噪声.当训练数据集中标签噪声比例较小(40%)时,该文所提方法可纠正98.6%的标签噪声,并训练网络达到98.7%的分类精度.即使标签噪声比例很大(80%)时,该文方法仍可纠正87.8%的标签噪声,并训练网络达到82.3%的分类精度.
ISSN:2095-283X
DOI:10.12000/JR24130