自监督解耦动态分类器的小样本类增量SAR图像目标识别

来源：电子与信息学报杂志2024年第10期北京时间：

作者：赵琰, 赵凌君, 张思乾, 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：为提升基于深度学习(DL)的合成孔径雷达自动目标识别(SAR ATR)系统在开放动态的非合作场景中对新类别目标的持续敏捷识别能力，该文研究了SAR ATR的小样本类增量学习(FSCIL)问题，并提出了自监督解耦动态分类器(SDDC)。针对FSCIL 中“灾难性遗忘”和“过拟合”本质难点和SAR ATR领域挑战，根据SAR图像目标信息的部件化与方位角敏感性特点，于图像域构建了基于散射部件混淆与旋转模块(SCMR)的自监督学习任务，以提升目标表征的泛化性与稳健性。同时，设计了类印记交叉熵(CI-CE)损失并以参数解耦学习(PDL)策略对模型动态微调，以对新旧知识平衡判别。实验在由MSTAR和SAR-AIRcraft-1.0数据集分别构建的覆盖多种目标类别、观测条件和成像平台的FSCIL场景上验证了该算法开放动态环境的适应能力。

关键词：SAR目标识别, 小样本类增量学习, 自监督学习, 深度学习