与 MSTAR 结合的 SAMPLE：使用 MSTAR 中的异常值和目标变体扩展 SAMPLE 译文

本文翻译自  SAMPLE with a Side of MSTAR: Extending SAMPLE with Outliers and Target Variants from MSTAR

Benjamin Lewisa, Mark Ashbya, 和 Edmund Zelnioa

a美国空军研究实验室，传感器局，赖特-帕特森空军基地，俄亥俄州

摘要

深度学习是自其引入以来十年间应用于众多问题的技术。特别令人感兴趣的是自动目标识别技术，它是视觉检测和分类的一个子集，在国防和民用应用中都具有重要意义。然而，这些分类算法必须对库外干扰物具有鲁棒性，并能够跨各种目标类型进行泛化。在本文中，我们扩充了现有的合成与实测配对标记实验（SAMPLE）合成孔径雷达（SAR）图像数据集，加入了公共 MSTAR 数据集的剩余部分，并定义了一系列实验，以鼓励开发超越简单分类准确性的目标识别算法特性。

关键词：SAMPLE 数据集，SAR，数据集，MSTAR，挑战问题，域外学习

1. 引言

自 2012 年 AlexNet[1] 的引入和卷积神经网络（CNN）[1] 的普及以来，机器学习世界经历了激动人心的十年。深度学习使得图像识别、语言翻译、计算机生成文本、机器人技术以及许多其他领域的各种应用成为可能。在这个努力领域，几乎每天都会展示令人印象深刻的新成果。自然而然地，个别研究人员只能专精于广阔机器学习模型领域的一小部分。在我们的案例中，我们最感兴趣的是将计算机视觉模型应用于合成孔径雷达（SAR）图像进行目标识别。

随着这些复杂、黑盒视觉模型能力而来的，