大语言模型可实现可解释且无需训练的一次性高分辨率距离谱自动目标识别
Large Language Models Can Achieve Explainable and Training-Free One-shot HRRP ATR
AI总结：
本文提出一种无需训练且可解释的框架，利用大语言模型将一维HRRP信号转换为文本散射中心表示，通过少样本上下文学习对齐语义空间，实现无需参数更新的ATR。
摘要：
本文介绍了一种开创性的、无需训练且可解释的框架，利用大规模预训练的大语言模型（LLMs）进行高分辨率距离谱（HRRP）自动目标识别（ATR）。与传统方法需要大量任务特定训练或微调不同，我们的方法将一维HRRP信号转换为文本散射中心表示。通过少样本上下文学习设计提示，使LLMs的语义空间对齐ATR，有效利用其庞大的现有知识，无需任何参数更新。我们公开了代码以促进研究大语言模型在HRRP ATR中的应用。
英文摘要：
This letter introduces a pioneering, training-free and explainable framework for High-Resolution Range Profile (HRRP) automatic target recognition (ATR) utilizing large-scale pre-trained Large Language Models (LLMs). Diverging from conventional methods requiring extensive task-specific training or fine-tuning, our approach converts one-dimensional HRRP signals into textual scattering center representations. Prompts are designed to align LLMs' semantic space for ATR via few-shot in-context learning, effectively leveraging its vast pre-existing knowledge without any parameter update. We make our codes publicly available to foster research into LLMs for HRRP ATR.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
