SAR自動ターゲット認識のための一般化深層非負行列因子分解アプローチ

深層非負行列因子分解（DNMF）は、合成開口レーダー（SAR）ターゲットサンプルから多層特徴を抽出する際の深層学習手法の解釈可能性の低さに対処するために提案されました。しかし、既存のDNMF法は層ごとの分解戦略を採用しており、誤差の蓄積と局所最適解を引き起こし、層数増加に伴う認識精度の一貫した向上を妨げています。本論文では、SAR自動ターゲット認識（ATR）におけるこれらの課題に対応するため、一般化深層非負行列因子分解（G-DNMF）と呼ばれるロバストな多層特徴抽出手法を提案します。G-DNMFは大域的最適性を目標とし、ラグランジュ乗数法を用いて各パラメータの更新規則を導出します。新しい更新式は、符号化行列に基づくDNMFと混合行列に基づくDNMFの両方が提案法の特殊ケースであることを示し、理論的にその普遍性を証明しています。この手法は層ごとの分解戦略を排除することで、局所最適解のリスクを効果的に軽減し、誤差蓄積を除去し、DNMFの多層特徴抽出能力を大幅に向上させます。実験結果では、G-DNMFによって各層から抽出された特徴画像と再構成された元の画像が提示され、多層特徴に対する純粋な加算的理解と解釈可能性が確認されました。MSTARおよびOpenSARshipデータセットに基づく評価により、G-DNMFは安定性と認識性能の両方で既存のDNMFアルゴリズムおよびその派生アルゴリズムを上回ることが示されました。この研究は、SAR ATRのためのより堅牢で効率的な特徴抽出フレームワークを提供し、今後の研究や応用に影響を与える可能性があります。