类别数据流和特征空间双分离的类增量学习算法

来源：电子与信息学报杂志2024年第10期北京时间：

作者：云涛, 潘泉, 刘磊, 白向龙, 刘宏

单位：1.西北工业大学自动化学院 西安 7101142.宇航动力学国家重点实验室 西安 7100433.信息融合技术教育部重点实验室 西安 7101144.西安电子科技大学 西安 710071

摘要：针对类增量学习(CIL)中的灾难性遗忘问题，该文提出一种不同类的数据流和特征空间双分离的类增量学习算法。双分离(S2)算法在1次增量任务中包含2个阶段。第1个阶段通过分类损失、蒸馏损失和对比损失的综合约束训练网络。根据模块功能对各类的数据流进行分离，以增强新网络对新类别的识别能力。通过对比损失的约束，增大各类数据在特征空间中的距离，避免由于旧类样本的不完备性造成特征空间被新类侵蚀。第2个阶段对不均衡的数据集进行动态均衡采样，利用得到的均衡数据集对新网络进行动态微调。利用实测和仿真数据构建了一个飞机目标高分辨率距离像增量学习数据集，实验结果表明该算法相比其它几种对比算法在保持高可塑性的同时，具有更高的稳定性，综合性能更优。

关键词：雷达目标识别, 逆合成孔径雷达, 高分辨率距离像, 类增量学习

基金资助：国家自然科学基金重大项目(61790552)