残差子空间原型学习约束的SAR目标类增量识别

来源：电子与信息学报杂志2025年第12期北京时间：

作者：徐延杰, 孙浩, 林秦杰, 计科峰, 匡纲要

单位：国防科技大学电子科学学院 长沙 410073

摘要：合成孔径雷达(SAR)目标识别系统在开放环境中的部署常面临新类别持续涌现的挑战。该文提出一种残差子空间原型学习约束的SAR目标类增量识别方法，通过构建轻量级任务专属的适配器扩展特征子空间，有效学习新类并缓解灾难性遗忘。首先利用自监督学习预训练骨干网络，提取SAR数据的通用特征表示。在增量学习阶段，冻结主干网络，训练残差适配器学习新旧类的差异化特征，使模型聚焦于判别性特征的变化，缓解灾难性遗忘。针对特征空间扩展导致的旧类原型失效问题，提出结构化约束的原型补全机制，在无回放条件下合成旧类在新子空间的原型表示。推理时，根据目标与集成子空间原型的相似度进行预测。在MSTAR, SAMPLE和SAR-ACD数据集上的实验验证了该方法的有效性。

关键词：SAR, 目标识别, 类增量学习, 预训练模型