{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2023,11,27]]，“日期-时间”：“2023-11-27T00:29:34Z”，“时间戳”：1701044974698}，“参考-计数”：33，“出版商”：“Springer Science and Business Media LLC”我“：“2022-09-11T00:00:00Z”，“时间戳”：1662854400000｝，“内容版本”：“tdm”，“延迟天数”：0，“URL”：“https://creativecommons.org/licenses\/by\/4.0”｝，｛“开始”：｛“日期部分”：[[2022,9,11]，“日期-时间”：“2022-09-11T00:00:00Z”，“时间戳”：1662854400000｝，“内容版本”：“vor”，“延迟天数”：0，“URL”：“https://creativecommons.org/licenses\/by\/4.0”｝]，“基金er“：[｛”DOI“：“10.13039\/501100004735”，“name”：“湖南省自然科学基金”，“doi-asserted-by”：“publisher”，“award”：[“2021JJ30780”]}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[”EURASIP J.Adv.Signal Process.“]，“abstract”：“摘要<\/jats:title>近年来，深度学习为合成孔径雷达（SAR）目标分类问题带来了重大进展。然而，SAR图像特征对成像条件的变化非常敏感。成像参数（尤其是俯仰角）的不一致性导致训练数据和测试数据之间的分布偏移，严重恶化了分类性能。针对这一问题，本文提出了一种基于选择性伪标签的无监督区域自适应SAR目标分类方法。我们的方法通过在目标域中生成伪标签，直接使用目标域的数据训练深度模型。关键思想是从目标域中迭代选择有价值的样本并优化分类器。在每一次迭代中，采用断线（BT）准则来选择相对置信度得分最高的最佳样本。此外，为了避免迭代过程中的误差积累，使用了类混淆正则化来提高伪标号的精度。在运动和静止目标捕获与识别（MSTAR）数据集上，我们的方法与最新的方法进行了比较，包括监督分类和非监督域自适应方法。实验结果表明，该方法能够获得更好的分类性能，特别是当源域和目标域图像的俯仰角差异较大时。此外，在有限样本条件下，该方法也显示出其优越性<\/jats:p>“，”DOI“：”10.1186\/s13634-022-00906-y“，”type“：”journal-article“，”created“：{”date-parts“：[2022,9,11]]，”date-time“：”2022-09-11T17:02:42Z“，”timestamp“：1662915762000}，”update-policy“：“http://\/dx.DOI.org\/10007\/springer_crossmark_policy”，“source”：“Crossref”，”is-referenced-by-count“：0，”标题“：[”为无监督域自适应SAR目标分类选择伪监督“]，”前缀“：”10.1186“，”卷“：”2022“，”作者“：[{”ORCID“：”http://\/ORCID.org\/00000-0001-9210-8729“，”authenticated-ORCID“：false，”给定“：”凌军“，”家族“：”赵“，“sequence”：“first”，“affiliation”：[]}，{“given”：“岐山”，“family”：“He”，“segment”：“additional”，“从属关系“：[]}，{“给定”：“定”，“家庭”：“丁”，“序列”：“附加”，“从属关系”：[]{，}“给定的”：“四千”，“家族”：“张”，“顺序”：“额外”，“隶属关系”：[]}}]，“成员”：“297”，“published-online“：{“date-parts”：[[2022,9,11]]}，“reference”：[{“issue”：“8”，“key”：“906_CR1”，“doi-asserted-by”：“publisher”，”first page“：”4806“，”doi“：”10.1109\/TGRS.2016.2551720“，”volume“：“54”，“author”：“S Chen”，“year”：“2016”，“unstructured”：“S.Chen，H.Wang，F.Xu，Y。Jin，使用深度卷积网络对SAR图像进行目标分类。IEEE传输。地质科学。遥感器54（8），4806\u20134817（2016）“，“日志标题”：“IEEE Trans。地质科学。遥感器“}，{“问题”：“6”，“关键”：“906_CR2”，“doi-asserted-by”：“出版商”，“首页”：“2861”，“doi”：“10.1109\/TAES.2016.1661”，“卷”：“52”，“作者”：“SA Wagner”，“年份”：“2016”，“非结构化”：“S.A.Wagner，SAR ATR，通过卷积神经网络和支持向量机的组合。IEEE Trans.Aerosp.Electron.Syst.52（6），2861\u20132872（2016）“，“期刊标题”：“IEEE Trans。Aerosp.航空公司。电子。系统。“}，{”issue“：”7“，”key“：”906_CR3“，”doi-asserted-by“：”publisher“，”first page“：“1091”，”doi“：”10.1109\/LGRS.2017.2698213“，“volume”：“14”，“author”：“Z Lin”，“year”：“2017”，“unstructured”：“Z.Lin，K.Ji，M.Kang，X.Leng，H.Zou，有限标记训练数据SAR目标分类的深卷积公路单元网络。IEEE Geosci.Remote Sens。莱特。14（7），1091\u20131095（2017）“，“期刊标题”：“IEEE Geosci。遥感快报。“}，{”issue“：“20”，”key“：“906_CR4”，”doi-asserted-by“：”publisher“，”first page“：”7889“，”doi“：”10.1080\/01431161.2020.1766149“，”volume“:”41“，”author“：”R Qin“，”year“：”2020“，”unstructured“：”R.Qin，X.Fu，J.Dong，W.Jiang，一种半贪婪的神经网络CAE-HL-CNN，用于有限训练数据的SAR目标识别。国际遥感学杂志41（20），7889\u20137911（2020）“，”journal-title“：”Int.J.Remote Sens.“}，{”issue“：”11“，”key“：”906_CR5“，”doi-asserted-by“：”publisher“，”first-page“：”1374“，”doi“：”10.3390\/rs11111374“，”volume“：“11。Kim，深度转移学习用于少快照SAR图像分类。Remote Sens.11（11），1374（2019）”，“期刊标题”：“Remote Sens.”}，{“key”：“906_CR6”，“doi断言”：“crossref”，“非结构化”：“Y.Ma，Y.Liang，W.Zhang，S.Yan，基于迁移学习和LSGAN数据增强的SAR目标识别。在2019中国自动化大会（CAC）上发表的论文，中国杭州，2013年11月22日，（2019）”DOI“：”10.1109\/CAC48633.2019.8996717“}，{“key”：“906_CR7”，“首页”：“1”，“卷”：“19”，“作者”：“Q He”，“年份”：“2022”，“非结构化”：“Q.He，L.Zhao，K.Ji，G.Kuang，基于使用模拟数据的任务驱动域自适应的SAR目标识别。IEEE Geosci.Remote Sens.Lett.19，1\u20135（2022）”，“日志标题”：“IEEE Geosci.Remote Sens.”。莱特。“}，{”key“：”906_CR8“，”unstructured“：”E.Tzeng，J.Hoffman，N.Zhang，K.Saenko，T.Darrell，《深层域混淆：最大化域不变性》，计算机科学，（2014）“}”，{“key”：“906_CR 9”，“unstructure”：“M.Long，Y.Cao，J.Wang，M。Jordan，通过深度适应网络学习可转移功能。在2015年美国佛罗里达州迈阿密国际机器学习会议（ICML）上发表的论文，2013年9月11日，（2015）“}，{“key”：“906_CR10”，“doi-asserted-by”：“crossref”，“unstructured”：“B.Sun，K.Saenko，Deep Coral:深域自适应的相关校准。论文发表于2016年欧洲计算机视觉会议（ECCV），荷兰阿姆斯特丹，201316年10月8日，（2016）“，“DOI”：“10.1007\/978-3-319-49409-8_35”}，{“key”：“906_CR11”，“unstructured”：“M.Long，H.Zhu，J.Wang，M.I.Jordan，《利用联合自适应网络进行深度转移学习》。论文发表于澳大利亚悉尼2017年国际机器学习会议（ICML），201311年8月6日，（2017）”}906_CR12“，”非结构化“：”M.Long，Z.Cao，J.Wang，M.I.Jordan，条件对抗域适配。论文发表于2018年神经信息处理系统（NIPS），加拿大蒙特利尔，201306年12月3日“}，{“key”：“906_CR13”，“doi-asserted-by”：“crossref”，“unstructured”：“K.Saito，K.Watanabe，Y.Ushiku，T。Harada，无监督域自适应的最大分类器差异。论文发表于2018年IEEE计算机视觉与模式识别会议（CVPR），美国犹他州盐湖城，2018年6月18日，“DOI”：“10.1109\/CVPR.2018.00392”}，{“key”：“906_CR14”，“DOI-asserted-by”：“crossref”，“unstructured”：“Y.Jin，X.Wang，M.Long，J。Wang，多功能领域自适应的最小类混淆。在2020年欧洲计算机视觉会议（ECCV）上发表的论文，2013年8月23日，2020年8月28日，“，DOI：”10.1007\/978-3-030-58589-1_28“}，{“key”：“906_CR15”，“DOI-asserted-by”：“publisher”，“first page”：”7842“，“DOI”：“10.1109\/TIP.2021.3109530”，“author”：“W Deng”，“year”：“2021”，“unstructured”：“W.Deng，Q.Liao，L.Zhao，D.Guo，G.Kuang，D。Hu，L.Liu，无监督领域自适应的联合聚类和鉴别特征对齐。IEEE传输。图像处理。30，7842\u20137855（2021）“，”期刊标题“：”IEEE Trans。图像处理。“}，{”key“：”906_CR16“，”doi-asserted-by“：”crossref“，”unstructured“：”E.Schonfeld，S.Ebrahimi，S.Sinha，T.Darrell，Z.Akata，通过对齐变分自编码器的广义零和少快照学习。论文发表于IEEE Computer Vision and Pattern Recognition（CVPR），Long Beach，California，USA，16\u201320 June，（2019）“，doi”：“10.1109\/CVPR.2019.00844“}，{“key”：“906_CR17”，“unstructured”：“L.Van der Maaten，G.Hinton，使用t-SNE.J.Mach.Learn.Res.9（11），（2008）可视化数据”}，}，“key“：”906_CR18“，”doi-asserted-by“：”crossref“，”unstructure“：”S.Ben-David，J.Blitzer，K.Crammer，F。Pereira，领域适应表征分析。在神经信息处理系统（NIPs）上发表的论文，（2007）“，”DOI“：”10.7551\/mitpress\/7503.003.0022“｝，｛”键“：”906_CR19“，”非结构化“：”Goodfellow，I.、Pouget-Abadie，J.、Mirza，M.、Xu，B.、Warde-Farley，D.、Ozair，S.、Courville，A.、Bengio，Y.：生成性对抗网。发表于2014年神经信息处理系统（NIP）的论文，加拿大蒙特利尔，（2014）“}，{“key”：“906_CR20”，“unstructured”：“Y.Ganin，V.Lempitsky，通过反向传播实现的无监督域适配。发表于2015年法国里尔国际机器学习会议（ICML）的论文（2013年7月6日至11日，（2015）”}，}“issue”：“1”，“key“：”906_CR21“，”doi-asserted-by“：”publisher“，”first-page“：”1“，”doi“：”10.1007\/978-3-031-01548-9“，”volume“：”3“，”author“：”X Zhu“，“year”：”2009“，”unstructured“：”X.Zhu，A.B.Goldberg，半监督学习导论。合成。艺术讲座。因特尔。机器。学习。3（1），1\u2013130（2009）“，“新闻标题”：“合成。艺术讲座。因特尔。机器。学习。“}，{“key”：“906_CR22”，“unstructured”：“X.Li，Q.Sun，Y.Liu，Q.Zhou，S.Zheng，T.-S.Chua，B.Schiele，学习自训练进行半监督的少量分类。2019年印度斋浦尔神经信息处理系统（NIP）发表的论文，（2019）”}，}，“key“：”906_CR2“，”doi-asserted-by“：”crossref“，”unstructure“：”M.Long，J.Wang，G。丁俊孙，余永生，带联合分布适应的迁移特征学习。2013年12月3日于澳大利亚悉尼举行的2013 IEEE国际计算机视觉会议（ICCV）上发表的论文“，”DOI“：”10.1109\/ICCV.2013.274“}，{“key”：“906_CR24”，“DOI-asserted-by”：“crossref”，“unstructured”：“J.Zhang，W.Li，P。Ogunnena，视觉领域自适应的联合几何和统计对齐。论文发表于2017年IEEE计算机视觉和模式识别会议（CVPR），美国夏威夷檀香山，2013年7月21日，2017年7月26日“，“DOI”：“10.1109\/CVPR.2017.547”}，{“key”：“906_CR25”，“DOI-asserted-by”：“crossref”，“unstructured”：“Z.Pei，Z.Cao，M.Long，J。Wang，多变量域适应。在2018年美国人工智能会议（AAAI）上提交的论文，美国路易斯安那州新奥尔良，20137年2月2日（2018）“，“DOI”：“10.1609\/AAAI.v32i1.11767”}，{“key”：“906_CR26”，“DOI-asserted-by”：“crossref”，“unstructured”：“C.Chen，W.Xie，W.Huang，Y.Rong，X.Ding，Y.Huang.，T.Xu，J。黄，无监督领域自适应的渐进特征对齐。在2019年IEEE计算机视觉和模式识别会议（CVPR）上发表的论文，美国加利福尼亚州长滩，2013年6月16日，2019年6月20日”，“DOI”：“10.1109”，{“key”：“906_CR27”，“DOI-asserted-by”：“crossref”，“unstructured”：“K.He，X.Zhang，S.Ren，J。Sun，图像识别的深度残差学习。在美国内华达州拉斯维加斯举行的IEEE计算机视觉和模式识别会议上发表的论文，2013年6月26日至7月1日（2016）“，”DOI“：”10.1109\/CVPR.2016.90“}，{“key”：“906_CR28”，“unstructured”：“Q.Wang，T。Breckon，通过基于结构化预测的选择性伪标记的无监督域自适应。2020年美国人工智能学会人工智能会议论文，美国纽约州纽约市中心希尔顿酒店，201312年2月7日，2020年2月”}，{“问题”：“3”，“关键”：“906_CR29”，“doi-asserted-by”：“出版商”，“首页”：“1014”，“doi”：“10.1109\/TGRS.2010.2072929”，“卷”：“49”，“作者”：“B Demir”，“年份”：“2010”，“非结构化”：“B.Demir，C.Persello，L。Bruzzone，用于遥感图像交互式分类的批处理模式主动学习方法。IEEE传输。地质科学。遥感器49（3），1014\u20131031（2010）“，“日志标题”：“IEEE Trans。地质科学。遥感器“}，{”key“：”906_CR30“，”doi-asserted-by“：”publisher“，”first page“：“42190”，”doi“：”10.1109\/ACCESS.2019.2906564“，”volume“：：”7“，”author“：”R Min“，“year”：“2019”，“unstructured”：“R.Min，H.Lan，Z.Cao，Z.Cui，A graphical CNN for SAR target recognition。IEEE ACCESS 7，42190\u201342200（2019）”，“日志标题”：“IEEE ACCESS”}，“issue”“：”4“，”key“：”906_CR31“，”doi-asserted-by“：”publisher“，”first-page“：”395“，”doi“：”10.1007\/s1122-007-9033-z“，”volume“：“17”，”author“：”U Von Luxburg“，“year”：“2007”，”unstructured“：”U.Von Luxsburg，光谱聚类教程。统计计算。17（4），395\u2013416（2007）“，“新闻标题”：“统计计算。“}，{”issue“：“1”，”key“：“906_CR32”，”doi-asserted-by“：”publisher“，”first page“：”151“，“doi”：“10.1007\/s10994-009-5152-4”，“volume”：“79”，“author”：“S Ben-David”，“year”：“2010”，“unstructured”：“S.Ben-David，J.Blitzer，K.Crammer，A.Kulesza，F.Pereira，J.W.Vaughan，《从不同领域学习的理论》。《马赫·学习》79（1），151\u2013175（2010）“，”新闻标题“：”马赫。学习。“}，{”key“：”906_CR33“，”doi-asserted-by“：”crossref“，”unstructured“：”T.D.Ross，S.W.Worrell，V.J.Velten，J.C.Mossing，M.L.Bryant，使用MSTAR公开发布数据集的标准SAR ATR评估实验。合成孔径雷达图像算法论文，（1998）“，”doi“：”10.1117\/12.321859“}]，”container-title“：[”EURASIP信号处理进展杂志“]，”original-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/link.springer.com/content\/pdf\/10.1186\/s13634-022-00906-y.pdf“，”content-type“：”application\/pdf“、”content-version“：”vor“、”intended-application“：”text-mining“}，”{“URL”：“https:\/\/link.springer.com/article\/10.1186\/s13634-022-00906-y\/fulltext.html“，”content-type“：”text\/html“，”内容版本“：”vor“，”intended-application“：”text-mining“}，{”URL“：”https:\//link.springer\com/content\/pdf\/10.1186 \/s13634-022-0096-y.pdf“，”content-type”：“application\/pdf”，“content-version”：“vor”，“intended-y”应用程序“：”相似性检查“}”，“存放”：{“日期-部件”：[[2023,11,26]]，“日期-时间”：“2023-11-26T20:45:15Z”，“时间戳”：1701031515000}，“分数”：1，“资源”：{“主要”：}“URL”：“https:\/\/asp-eurasipjournals.springeropen.com\/articles\/10.1186\/s13634-022-00906-y”}}，”副标题“：[]，”短标题“：[]，”发布“：{”日期-部件“：[2022,9,11]]}，“引用计数”：33，“期刊号：｛“issue”：“1”，“在线发布”：｛“date parts”：[[2022,12]]｝｝，“alternative id”：[“906”]，“URL”：“http:\/\/dx.doi.org/10.1186\\s13634-022-00906-y”，“relationship”：｛｝，“ISSN”：[“1687-6180”]，“ISSN type”：[｛“value”：“1687-6180”，“type”：“electronic”｝]，“subject”：[]，“published”：｛“date parts”：[[2022,9,9 11]]}，“断言”：[｛“value”：“2022年4月1日”，“order”：1，“name“：”received“，”label“：”received“，“group”：{“name”：“Article History”，“label”：“文章历史”}}，{“value”：“2022年8月24日”，“订单”：2，“name”:“accepted”，“标签”：“accepted“，”group“：“：”Article History“，”label“：”Article History“}}，{“order”：1，“name”：“Ethics”，“group”：{“name”:“EthicsHeading”，“label”：“Declarations”}，“value”：“作者声明他们没有竞争利益。”，“order“：2，”name“：”Ethics“，”group“：