An Interpretable Two-Stage Feature Decomposition Method for Deep Learning-Based SAR ATR

Chenwei Wang

doi:10.1109/tip.2026.3731611

An Interpretable Two-Stage Feature Decomposition Method for Deep Learning-Based SAR ATR

2026-09-15

0

PRE

AI

DOI：10.1109/tip.2026.3731611

原文链接

原文求助

摘要

En 中文

合成孔径雷达自动目标识别（SAR ATR）通过深度学习取得了显著的性能提升。然而，深度SAR ATR的黑箱特性在决策关键的SAR应用中引入了低置信度和高风险，阻碍了实际部署。为解决此问题，深度SAR ATR应提供可解释的推理依据 $r_{b}$ 和权重 $\lambda _{w}$ ，形成决策背后的推理逻辑 $\sum _{i} {{r_{b}^{i}} \times {\lambda _{w}^{i}}} = \mathrm {pred}$ 。然而，深度特征本质上是抽象的、高维的且相互纠缠：标准的DNN操作将独立的ASC耦合为不可解释的表示，直接解耦不仅导致巨大的分解误差，还会破坏判别性。因此，本文提出了一种基于物理的两阶段特征分解方法，用于可解释的深度SAR ATR，首次通过将纠缠的深度特征转换为具有明确物理意义的ASC分量（ASCCs）来识别并解决SAR ATR特有的耦合–判别性困境。首先，通过聚类算法获得ASCCs。为从纠缠的深度特征中提取独立的物理分量，我们提出了一种两阶段分解方法。第一阶段，特征解耦与判别模块将深度特征分离为具有全局判别性的近似ASCCs。第二阶段，多层正交非负矩阵三因子分解（MLO-NMTF）进一步将ASCCs分解为具有不同物理意义的独立分量。具有正交约束的MLO-NMTF被证明在松弛意义上等价于谱聚类，建立了网络潜在空间与物理散射域之间的结构对应关系，并支撑了可验证的推理逻辑 $\sum _{i} r_{b}^{i} \times \lambda _{w}^{i} = \mathrm {pred}$ 。最后，该方法确保了完全可验证的推理过程和准确的识别结果。在四个基准数据集上跨越12种骨干网络架构的广泛实验，与9种可解释的SAR ATR方法相比，证实了其卓越的识别性能和强大的泛化能力。

Keyword:

Synthetic aperture radar (SAR)

automatic target recognition (ATR)

interpretability

transparent recognition process

An Interpretable Two-Stage Feature Decomposition Method for Deep Learning-Based SAR ATR

摘要

期刊

机构

引用论文