VTR: An Optimized Vision Transformer for SAR ATR Acceleration on FPGA

本文介绍了合成孔径雷达（SAR）自动目标识别（ATR）技术在军事应用中的重要性，以及视觉Transformer（ViT）在计算机视觉应用中的领先地位。然而，由于标准ViT需要大量训练数据才能很好地推广，且参数量大且计算密集，因此将其用于SAR ATR应用具有挑战性。本文提出了一种轻量级ViT模型，可通过利用移位补丁标记（SPT）和局部自注意（LSA）模块直接在小型数据集上进行训练，无需任何预训练。我们直接在SAR数据集上训练该模型，并评估其在SAR ATR应用中的有效性。我们称之为VTR（ViT for SAR ATR）的提出模型在三个广泛使用的SAR数据集（MSTAR，SynthWakeSAR和GBSAR）上进行了评估。此外，我们还提出了一种新型FPGA加速器，以实现实时SAR ATR应用的部署。

本文试图解决使用Vision Transformers（ViTs）进行合成孔径雷达（SAR）自动目标识别（ATR）的挑战，即ViTs需要大量的训练数据来泛化，而标准SAR数据集的标记训练数据有限，ViTs的参数数量高且计算密集，难以在资源受限的SAR平台上部署。

本文提出了一种轻量级的ViT模型，可以直接在小型数据集上训练，而不需要预训练，利用Shifted Patch Tokenization（SPT）和Locality Self-Attention（LSA）模块。作者将该模型直接训练在标记训练数据有限的SAR数据集上，以评估其在SAR ATR应用中的有效性。

本文提出的VTR模型在MSTAR、SynthWakeSAR和GBSAR三个广泛使用的SAR数据集上进行了评估，并提出了一种新颖的FPGA加速器，以实现在实时SAR ATR应用中的部署。作者还开源了他们的代码。

最近的相关研究包括使用CNN和其他深度学习模型进行SAR ATR的研究，以及使用ViT进行计算机视觉任务的研究。