在考虑收集训练数据集测量的复杂性时,对自动目标识别(ATR)进行自动目标识别(ATR)的有希望的潜力消失了。模拟可以通过生成合成训练数据集来克服此问题。但是,由于模拟的代表性有限,在处理测试时间进行实际测量时,以合成图像的经典方式训练的模型具有有限的概括能力。以前的作品确定了一组同样有希望的深度学习算法来解决此问题。但是,这些方法已在非常有利的情况下通过合成训练数据集进行了评估,该数据集过于拟合测量的测试数据的基础真相。在这项工作中,我们研究了这种理想条件以外的ATR问题,这在实际的操作环境中不太可能发生。我们的贡献是三倍。 (1)使用mocem Simulator(由Scalian DS为法国MOD/DGA开发),我们生成了一个合成的MSTAR训练数据集,该数据集与实际测量值显着不同。 (2)我们通过实验证明了最先进的限制。 (3)我们表明,可以将域随机化技术和对抗训练结合在一起以克服此问题。我们证明,这种方法比最先进的方法更强大,精度为75%,同时对培训期间的计算性能影响有限。
translated by 谷歌翻译