Обзор алгоритмов классификации наземных объектов на радиолокационном изображении

Авторы и правообладатели:

• Вебер В. И. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)

• 1. Singh A. Exploring Deep Learning Methods for Classification of SAR Images: Towards NextGen Convolutions via Transformers / A. Singh, V.K. Singh // Advanced Network Technologies and Intelligent Computing Second International Conference. – Varanasi, India, 2022. – No. 2. – P. 249–260.
• 2. Kechagias-Stamatis O. Automatic target recognition on synthetic aperture radar imagery: A Survey / O. Kechagias-Stamatis, N. Aouf // IEEE Aerospace and Electronic Systems Magazine. – 2021. – Vol. 36, No. 3. – P. 56–81.
• 3. Бородинов А.А. Сравнение алгоритмов классификации в задаче распознавания объектов на радарных изображениях базы MSTAR // Геология нефти и газа. – 2014. – № 1. – С. 58–63.
• 4. Купряшкин И.Ф. Классификация объектов военной техники с использованием сверточной нейронной сети на радиолокационных изображениях, сформированных в условиях шумовых помех / И.Ф. Купряшкин, А.С. Мазин // Вестник концерна ВКО «Алмаз – Антей». – 2022. – № 1. – С. 71–81.
• 5. Бакулев П.А. Радиолокационные системы: учеб. для вузов. – 3-е изд., перераб. и доп. – М.: Радиотехника, 2015. – 440 с.
• 6. MSTAR. Публичная база данных [Электронный ресурс]. – URL: https://www.sdms.afrl.af.mil/index.php?collection=mstar (дата обращения: 23.05.2025).
• 7. SSDD. Публичная база данных [Электронный ресурс]. – URL: https://github.com/TianwenZhang0825/Official-SSDD (дата обращения: 23.05.2025).
• 8. OpenSARShip. Публичная база данных [Электронный ресурс]. – URL: https://opensar.sjtu.edu.cn/project.html (дата обращения: 23.05.2025).
• 9. MediSAR. Публичная база данных [Электронный ресурс]. – URL: https://www.kaggle.com/datasets/rignak/medisar2022 (дата обращения: 23.05.2025).
• 10. WHU-OPT-SAR. Публичная база данных [Электронный ресурс]. – URL: https://github.com/AmberHen/WHU-OPT-SAR-dataset (дата обращения: 23.05.2025).
• 11. ETCI. Публичная база данных [Электронный ресурс]. – URL: https://nasa-impact.github.io/etci2021/ (дата обращения: 23.05.2025).
• 12. Дудченко П.В. Метрики оценки классификаторов в задачах медицинской диагностики // Молодежь и современные информационные технологии: сб. трудов XVI Междунар. науч.-практ. конф. студентов, аспирантов и молодых учёных, 3–7 декабря 2018 г., г. Томск. – Томск: Изд-во НИ ТПУ, 2019. – С. 164–165.
• 13. Странгуль О.Н. Корреляционно-экстремальные системы навигации и локации подвижных объектов / О.Н. Странгуль, В.П. Тарасенко // Автоматика и телемеханика. – 2001. – № 7. – С. 201–210.
• 14. Бочкарев А.М. Корреляционно-экстремальные системы навигации // Зарубежная радиоэлектроника. – 1981. – № 9. – С. 28–53.
• 15. Евтушенко Е.В. Корреляционно-экстремальные системы навигации беспилотных летательных аппаратов / Е.В. Евтушенко, А.Н. Володин // Интеллектуальные системы, управление и мехатроника: матер. Всерос. науч.-техн. конф., Севастополь, 29–31 мая 2018 г. – Севастополь: Севастопольский гос. ун-т, 2018. – С. 199–203.
• 16. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление / Б.А. Алпатов, П.В. Бабаян, О.Е. Балашов, А.И. Степашкин. – Рязань: РГРТУ, 2008. – 183 с. [Электронный ресурс]. – URL: https://e.lanbook.com/book/168285 (дата обращения: 17.10.2024).
• 17. Barnea D.I. A class of algorithms for fast digital image registration / D.I. Barnea, H.F. Silverman // IEEE Transactions on Computers. – 1972. – Vol. C-21, No. 2. – P. 179–186. DOI: 10.1109/TC.1972.5008923.
• 18. Кирдяшкин В.В. Автоматическое совмещение радиолокационных и эталонных изображений земной поверхности: дис. … канд. техн. наук: 05.12.14. – Моск. гос. авиац. ин-т, 2011. – 202 с.
• 19. Бородинов А.А. Сравнение алгоритмов классификации в задаче распознавания объектов на радарных изображениях базы MSTAR / А.А. Бородинов, В.В. Мясников // Информационные технологии и нанотехнологии (ИТНТ–2017): сб. трудов III Междунар. конф. и молодежной школы, Самара, 25–27 апреля 2017 г. – Самара: Новая техника, 2017. – С. 732–736.
• 20. Vikramkumar. Bayes and naive bayes classifier / Vikramkumar, B. Vijaykumar, Trilochan // arXiv e-prints. – 2014. – Art. no. arXiv:1404.0933. DOI: 10.48550/arXiv.1404.0933.
• 21. Что такое дерево решений и где его используют. Хабр [Электронный ресурс]. – URL: https://habr.com/ru/companies/productstar/articles/523044 (дата обращения: 23.05.2025).
• 22. Сверточная нейронная сеть. – Ч. 1: Структура, топология, функции активации и обучающее множество. Хабр [Электронный ресурс]. – URL: https://habr.com/ru/post/348000/ (дата обращения: 23.05.2025).
• 23. Dosovitskiy A. An image is worth 16×16 words: transformers for image recognition at scale / A. Dosovitskiy, L. Beyer, A. Kolesnikov, D. Weissenborn, X. Zhai et al. // arXiv e-prints. – 2020. – Art. no. arXiv:2010.11929. DOI: 10.48550/arXiv.2010.11929.
• 24. Furukawa H. Deep learning for target classification from SAR imagery: data augmentation and translation invariance // arXiv preprint. – 2017. – Art. no. arXiv:1708.07920. DOI: 10.48550/arXiv.1708.07920.
• 25. Liu Y. ATRNet-STAR: A Large Dataset and Benchmark Towards Remote Sensing Object Recognition in the Wild / Y. Liu, W. Li, L. Liu et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2026. DOI: 10.1109/TPAMI.2026.3658649 (в печати).
• 26. Li W. Predicting gradient is better: Exploring self-supervised learning for SAR ATR with a joint-embedding predictive architecture / W. Li, W. Yang, T. Liu et al. // ISPRS Journal of Photogrammetry and Remote Sensing. – 2024. – Vol. 218, Part A. – P. 326–338. DOI: 10.1016/j.isprsjprs.2024.09.013.
• 27. Li W. SARATR-X: Toward building a foundation model for SAR target recognition / W. Li, W. Yang, Y. Hou et al. // IEEE Transactions on Image Processing. – 2025. – Vol. 34. – P. 869–884. DOI: 10.1109/TIP.2024.3524581.