基于卷积注意力和胶囊网络的SAR少样本目标识别方法

合成孔径雷达(SAR)目标识别在军事和民用领域都具有重要的研究价值。但由于SAR数据获取成本高、样本数目少,传统的卷积神经网络提取目标特征的能力不足,准确率低下。提出结合卷积注意力和胶囊网络的分类模型,利用胶囊网络中的多维向量神经元表示目标更多的特征;同时,考虑到少样本情况下目标特征信息缺乏,为提高神经网络的学习效率,对胶囊网络加入注意力机制,通过学习不同特征的重要程度,引导分类网络重点关注对分类结果贡献大的特征,弱化对分类结果贡献小的特征,提高神经网络的学习效率。针对MSTAR数据集和实测车辆数据集的实验结果表明,该算法的准确率高于传统的卷积神经网络和胶囊网络算法。

基于跨域小样本学习的SAR图像目标识别方法

由于SAR图像获取难度大,可供研究的样本数量较少,解决有限样本条件下SAR图像目标识别问题成为业界公认的挑战。随着深度学习在计算机视觉领域的发展,衍生出了多种小样本图像分类方法,因此考虑采用跨域小样本学习范式解决小样本SAR图像目标识别问题。具体地,先在多个源域中训练得到不同域的特征提取器,而后通过知识蒸馏的方法获取一个通用的特征提取器,这里采用中心核对齐的方法,将提取的特征映射到一个更高维的空间,从而更好地区分原特征之间的非线性相似性;通过上一阶段获得的通用特征提取器提取目标域图像特征,最后采用原型网络的方法预测样本的类别。实验证明,该方法在缩减模型参数的同时,获得了88.61%的准确率,为解决小样本SAR图像目标识别问题提供了新的思路。

自监督解耦动态分类器的小样本类增量SAR图像目标识别

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。

SAR-LAM:面向小样本SAR目标识别的轻量化适应策略

针对小样本学习中跨域迁移导致模型性能下降的问题,提出一种面向小样本SAR目标识别的轻量化适应策略(SAR-LAM)。该方法通过知识蒸馏预训练一个具有泛化性能的通用编码器,向其中嵌入一个只在少量目标域样本上进行训练的适应模块,而后将提取的特征映射到一个分辨性更高的空间内,最终以原型网络为基线对查询集样本进行分类。该适应策略以增加少量学习参数为代价,克服了数据分布差异导致模型迁移受限的困难,增强了模型在目标域提取特征的能力,在小样本条件下将SAR目标识别的准确率提升了至少1.93个百分点,较其他方法展现出一定的优越性。

少样本条件下SAR目标识别潜力探究

随着深度学习在计算机视觉领域取得令人鼓舞的成果,基于深度学习技术实现对合成孔径雷达(Synthetic Aperture Radar,SAR)图像中时敏目标的分类识别已成为可能,实测SAR图像中时敏目标自动识别应用再次吸引了全球广大学者的目光。受客观条件所限,高质量实测SAR目标样本切片的获取代价大、成本高、数量少,且SAR对成像参数和目标姿态敏感,导致SAR图像面临的少样本条件下的目标识别问题更为突出。本文深度挖掘MSTAR(Moving and Stationary Target Acquisition and Recognition)数据集的目标识别潜力,针对10类SAR图像车辆目标分类识别潜能进行了研究和分析。为衡量不同样本数量条件下SAR目标识别潜能,同时降低对目标样本选取的随机性,提出利用不同数量实测训练样本,生成全角度训练数据集,对参与训练的样本进行规范化和合理化采样处理;将全角度扩充后得到的训练样本集作为标准模板数据集,通过遍历模板数据集,采用似然比相似性度量(Likelihood Ratio Similarity Measure,LiRSM)来衡量目标相似性,利用SAR图像的灰度统计特性,基于变化检测技术构建变化检测量,实现SAR车辆目标的分类识别;基于MSTAR数据集,深入开展了10-Way-N-Shot的少样本条件下的SAR车辆目标分类识别问题研究,并通过试验对比形成性能基准,方便其他学者在该数据集中进一步开展少样本条件下目标识别对比分析。

基于深层-浅层双流学习图模型的无监督少样本红外空中目标识别网络

在军事空中目标识别领域,由于样本数量缺失,现有人工智能算法无法完成准确识别。文章利用已有足量辅助域图像辅助少样本应用域进行跨域目标识别,解决因标签缺失与样本稀疏导致的识别模型泛化能力不强及性能不佳问题。文章提出一种基于深层-浅层双流学习图模型(D-SLGM)的跨域目标识别算法。首先,提出一种深层-浅层双流特征提取算法,解决无监督少样本条件下特征表示困难的问题;同时,提出一种基于图模型的特征融合算法,实现特征间高精度融合;基于融合后的特征训练识别模型,提升算法的泛化能力。使用自建空中目标数据集,设计三种应用场景。实验结果表明,D-SLGM平均识别准确率均值达到78.2%,优于对比方法,在实际空中目标识别应用中具有较大潜力。

少量样本下基于孪生CNN的SAR目标识别

针对深度学习中的有监督学习需要大量的标注数据,提出了一种少量训练样本下的SAR目标识别方法,解决了SAR图像人工标注成本较高、标注样本不足的问题。首先通过构建正负样本对的策略对数据集进行样本扩充,大幅增加数据量;其次,设计了一种基于度量学习和深度学习的孪生卷积神经网络(孪生CNN),用于衡量样本之间的相似概率;然后采用多任务联合学习的方法训练模型,有效缓解了相干斑噪声对SAR图像的影响,降低了噪声过多易引起的过拟合风险;最后,设计了一种基于孪生CNN的识别样本具体类别的加权投票模型。实验采用了MSTAR和OpenSARShip数据集,在小规模训练集上通过上述方法取得了较好的识别效果。

应用虚拟样本对SAR图像目标识别的研究

鉴于SAR图像获取的困难,无法保证机器学习算法时需要的大数据量训练样本,因此影响了识别结果。首次提出了应用虚拟样本来扩大SAR图像目标识别训练集,提高SAR图像目标识别率的方法。通过使用重采样算法,奇异值重构与轮廓波重构等方法构建虚拟样本,与原有样本组成训练集,并通过SVM支持向量机进行训练识别在MSTAR公共数据集上的识别实验结果表明,对于不同数量的实际训练样本,通过添加本文方法构建的虚拟样本扩大训练集后,SAR图像目标识别率均会得到提高,尤其在小样本的情况下,识别率提高非常显著。该文证实了虚拟样本应用于SAR图像目标识别的有效性。在样本数目有限时,添加虚拟样本对SAR图像目标识别性能具有明显的改善作用。

基于深度学习的SAR图像目标识别综述

随着合成孔径雷达技术的不断发展,雷达图像目标识别成为重要的研究方向。近年来,深度学习技术在雷达图像目标检测与识别方面得到了广泛应用,然而,数据样本量少和数据样本类别不均衡成为制约深度学习在合成孔径雷达目标识别中的重要因素。对基于深度学习的SAR图像目标识别算法进行了分析,首先,介绍了SAR图像目标识别常用数据集和多角度SAR图像目标识别方法;然后,针对SAR图像目标识别中数据样本量少与样本类别不均衡问题分别进行了总结;最后,讨论了目前SAR图像目标识别仍然存在的问题和下一步的工作计划。

基于关联和识别的少样本目标检测

当前基于深度学习的目标检测算法已较为成熟。然而,基于少量样本检测新类仍具有挑战性,因为少样本条件下的深度学习容易导致特征空间退化。现有工作采用整体微调范式在丰富样本的基类上进行预训练,在此基础上构建新类的特征空间。然而,新类基于多个基类隐式地构造特征空间,其结构较为分散,导致基类与新类之间可分性较差。采用对新类和与其相似的基类进行关联再识别的方法进行少样本目标检测。通过引入动态感兴趣区域头,提升模型对训练样本的利用率,基于二者间的语义相似度,显式地为新类构建特征空间。通过解耦基类和新类的分类分支、添加通道注意力模块及增加边界损失函数,提升二者间的可分性。在标准PASCAL VOC数据集上的实验结果表明,所提方法的nAP50均值较TFA、MPSR及DiGeo分别提升10.2、5.4、7.8。