深度非負矩陣分解（DNMF）技術被提出用於解決深度學習在合成孔徑雷達（SAR）目標樣本中提取多層特徵時解釋性低的問題。然而，現有DNMF方法採用逐層分解策略，導致誤差累積和區域性最優，阻礙了隨層數增加而持續提升識別精度。為此，本文提出一種魯棒的多層特徵提取方法，稱為廣義深度非負矩陣分解（G-DNMF），以應對SAR自動目標識別（ATR）中的上述挑戰。G-DNMF以全域性最優為目標，利用拉格朗日乘子法推導每個引數的更新規則。新的更新公式表明，基於編碼矩陣和混合矩陣的DNMF方法都是所提方法的特例，從而理論證明了其普適性。該方法摒棄了逐層分解策略，有效緩解區域性最優風險並消除誤差累積，顯著增強了DNMF的多層特徵提取能力。實驗透過展示G-DNMF每層提取的特徵影像與重建的原始影像，驗證了其對多層特徵的純加性理解及可解釋性。基於MSTAR和OpenSARship資料集的實驗結果顯示，G-DNMF在穩定性和識別效能上均優於現有DNMF演算法及其衍生方法。這些發現表明，G-DNMF為SAR自動目標識別提供了一種更可靠、更高效的特徵提取方案，未來有望推動相關領域的研究與應用。
一種用於SAR自動目標識別的廣義深度非負矩陣分解方法
文章摘要
本文提出了一種廣義深度非負矩陣分解（G-DNMF）方法，用於合成孔徑雷達（SAR）自動目標識別。該方法克服了現有深度非負矩陣分解（DNMF）逐層分解策略導致的誤差累積和區域性最優問題，透過拉格朗日乘子法推導全域性最優更新規則，提高了多層特徵提取的穩定性和識別效能。在MSTAR和OpenSARship資料集上的實驗表明，G-DNMF優於現有DNMF演算法及其變體。
來源arXiv Computer Vision作者: Yunhong Zhang, Changjie Cao, Zhongli Zhou, Bingli Liu, Zongjie Cao, Zongyong Cui, Ying Yang
一種用於SAR自動目標識別的廣義深度非負矩陣分解方法