PAHD: Perception-Action based Human Decision Making using Explainable Graph Neural Networks on SAR Images

合成孔径雷达（SAR）图像通常用于军事应用中的自动目标识别（ATR）。机器学习（ML）方法，如卷积神经网络（CNN）和图神经网络（GNN），经常用于识别地面物体，包括战斗坦克，人员运输车和导弹发射器。确定车辆类别，如BRDM2坦克，BMP2坦克，BTR60坦克和BTR70坦克，是至关重要的，因为它可以帮助确定目标物体是盟友还是敌人。虽然ML算法提供了识别目标的反馈，但最终决定留给指挥官。因此，提供识别目标的详细信息可以显著影响他们的行动。这些详细信息包括对分类做出贡献的SAR图像特征，分类置信度以及被识别物体被分类为不同物体类型或类的概率。我们提出了一种基于GNN的ATR框架，该框架提供最终分类的类别并输出上述详细信息。这是第一项提供分类类别详细分析的研究，使最终决策更加简单。此外，我们的GNN框架在MSTAR数据集上评估时实现了99.2％的总体准确性，改进了先前最先进的GNN方法。

本文旨在提出一种基于图神经网络（GNN）的自动目标识别（ATR）框架，用于识别地面目标，包括战斗坦克、人员运输车和导弹发射器等。该框架旨在提供详细的信息，以帮助指挥官做出最终决策。

本文提出的GNN框架不仅可以提供识别的目标类别，还可以输出对分类的贡献特征、分类置信度以及被识别的目标被分类为不同对象类型或类的概率等详细信息，以帮助指挥官做出最终决策。该GNN框架在MSTAR数据集上的综合准确性为99.2％，优于先前的最新GNN方法。

本文提出的GNN框架在自动目标识别方面具有很高的准确性，并且可以提供详细的信息，以帮助指挥官做出最终决策。实验使用了MSTAR数据集，取得了99.2％的准确性。本文的工作值得进一步深入研究。

最近的相关研究包括使用卷积神经网络（CNN）和其他机器学习方法进行自动目标识别的研究。例如，一些研究使用CNN方法对SAR图像进行分类。