一种用于SAR自动目标识别的广义深度非负矩阵分解方法
本文提出了一种广义深度非负矩阵分解（G-DNMF）方法，用于合成孔径雷达（SAR）自动目标识别。该方法克服了现有深度非负矩阵分解（DNMF）逐层分解策略导致的误差累积和局部最优问题，通过拉格朗日乘子法推导全局最优更新规则，提高了多层特征提取的稳定性和识别性能。在MSTAR和OpenSARship数据集上的实验表明，G-DNMF优于现有DNMF算法及其变体。
来源arXiv Computer Vision作者: Yunhong Zhang, Changjie Cao, Zhongli Zhou, Bingli Liu, Zongjie Cao, Zongyong Cui, Ying Yang
深度非负矩阵分解（DNMF）技术被提出用于解决深度学习在合成孔径雷达（SAR）目标样本中提取多层特征时解释性低的问题。然而，现有DNMF方法采用逐层分解策略，导致误差累积和局部最优，阻碍了随层数增加而持续提升识别精度。为此，本文提出一种鲁棒的多层特征提取方法，称为广义深度非负矩阵分解（G-DNMF），以应对SAR自动目标识别（ATR）中的上述挑战。G-DNMF以全局最优为目标，利用拉格朗日乘子法推导每个参数的更新规则。新的更新公式表明，基于编码矩阵和混合矩阵的DNMF方法都是所提方法的特例，从而理论证明了其普适性。该方法摒弃了逐层分解策略，有效缓解局部最优风险并消除误差累积，显著增强了DNMF的多层特征提取能力。实验通过展示G-DNMF每层提取的特征图像与重建的原始图像，验证了其对多层特征的纯加性理解及可解释性。基于MSTAR和OpenSARship数据集的实验结果显示，G-DNMF在稳定性和识别性能上均优于现有DNMF算法及其衍生方法。这些发现表明，G-DNMF为SAR自动目标识别提供了一种更可靠、更高效的特征提取方案，未来有望推动相关领域的研究与应用。