طبقه بندی تصاویر براساس مدل ترانسفورمر بینایی سبک وزن جهت شناسایی خودکار اهداف در رادارهای دیافراگم مصنوعی (SAR)

رادار دیافراگم مصنوعی (SAR) به طور گسترده در زمینه های متعدد مورد استفاده قرار گرفته است و می تواند اطلاعات زیادی را در مورد منطقه مورد نظر جمع آوری کند. این فناوری تاثیر زیادی در شناسایی خودکار اهداف (ATR) دارد که می-تواند کارایی را افزایش دهد. پیشرفت های اخیر در حوزه هوش مصنوعی امکان ایجاد SAR ATR مبتنی بر یادگیری عمیق را فراهم کرده است، که می تواند به طور خودکار ویژگی های اهداف را از حجم زیادی از داده های ورودی شناسایی کند. تحقیقاتی که طی شش سال گذشته در زمینه تصاویر SAR انجام شده است، نشان می دهد که در اکثر مقالات از مدل های شبکه عصبی بازگشتی (RNN) و شبکه عصبی کانولوشنال (CNN) استفاده شده است. این تحقیق سعی می کند از یک مدل مبتنی بر ترانسفورمر بینایی سبک وزن (LViT) برای طبقه بندی تصاویر SAR استفاده کند. لازم به ذکر می باشد که مجموعه داده های SAR مورد استفاده دارای دسترسی باز هستند. لذا نتایج نشان می دهد که این مدل طبقه بندی در مقایسه با سایر مدل-های شبکه عصبی قوی تر و دقیق تر هستند.

کلیدواژه ها:

یادگیری عمیق ، ترانسفورمر بینایی سبک وزن (LViT) ، تشخیص خودکار اهداف (ATR) ، رادار دیافراگم مصنوعی (SAR).