複雑なシーンを持つSAR画像におけるターゲット識別のための半教師あり無限潜在ディリクレ配分モデル

合成開口レーダー（SAR）によるターゲット識別は通常、教師ありの方法で行われます。しかし、教師ありの方法はラベル付きのトレーニングチップが不足することがあり、その取得にはコストがかかり、時間を要し、時には不可能です。さらに、従来の識別特性はチップに関する粗く部分的な説明しか提供せず、複雑なシーンを持つSAR画像では性能が悪くなります。これらの問題を解決するために、修正された潜在ディリクレ配分（LDA）モデルに基づいて、特性学習と分類器学習を統合した新しい半教師ありターゲット識別方法（半教師あり無限潜在ディリクレ配分（SSILDA））を提案します。私たちの方法では、半教師ありのアイデアを用いて、多くのラベル付きチップを取得する困難を扱います。半教師あり学習のためにLDAモデルに新しい変数が導入され、チップの意味情報を取得しつつ、意味レベルでターゲット識別を実施することが可能になります。さらに、ディリクレ過程（DP）がLDAモデルに導入され、自動的にトピック数を決定し、パラメータはギブスサンプリングによって推定されます。提案された方法の性能について、いくつかの測定データを使用して包括的かつ具体的に分析し、既存の方法との比較を行いました。結果は、SARターゲット識別における提案された方法の有効性を検証します。