天河岗顶棠下上社网站建设关键词优化策略有哪些

国防科大刘丽教授团队提出了一种用于合成孔径雷达（SAR）目标识别的解耦自监督子空间分类器（DSSC），旨在解决少样本类增量学习（FSCIL）中的灾难性遗忘和过拟合问题。

欢迎大家积极引用！

论文题目：Decoupled Self-Supervised Subspace Classifier for Few-Shot Class-Incremental SAR Target Recognition
论文链接：https://ieeexplore.ieee.org/document/10663261

摘要：

合成孔径雷达自动目标识别（SAR ATR）开启了由深度学习（DL）技术主导的新时代。然而，基于DL的识别系统不可避免地面临学习到的知识的灾难性遗忘和对新知识的过拟合问题，一旦部署在开放动态环境中，新类别的目标会持续以少样本实例出现。针对实际应用，提出了一种具有少样本类增量学习（FSCIL）能力的解耦自监督子空间分类器，以实现快速知识转移和稳定区分，针对SAR ATR的FSCIL的内在和领域特定挑战。具体而言，观察到SAR图像中目标的重要组成性和方位敏感性，设计了两个由散射混合模块和旋转感知变换模块驱动的自监督任务，以合成虚拟样本和相关标签，释放分类器对未来类别的可迁移性，同时增强其对细粒度散射模式的区分能力。一旦部署，模型的参数被冻结，与动态世界解耦，用于一般知识提取。在推理时，由最大覆盖特征选择机制提出的具有类感知目标先验的子空间分类器形成，用于稳定的点到空间区分。在由合成孔径雷达（SAR）飞机1.0、自有和MSTAR数据集构建的三个FSCIL数据集上进行了广泛的实验，这些数据集涵盖了机载和星载SAR载荷捕获的各类目标，与众多最新基准测试相比，我们的方法达到了最先进的性能。

贡献：

1）我们探索了SAR ATR的自适应特征空间学习（FSCIL），并提出了一种由监督学习和子空间分类驱动的双阶段自编码器（DSSC），以解决内在和领域障碍。
2）我们设计了两个由自组织映射（SMM）和递归神经网络（RTM）驱动的监督学习任务、一个可扩展的子空间分类器和一种多特征融合机制（MCFS），以实现快速知识传递和稳定判别。
3）我们验证了我们的方法在三个派生的SAR ATR数据集上的优越性，与众多最新基准测试相比，在不同的标准下进行了比较。

方法：

实验：

总结

这篇论文提出了一种解耦自监督子空间分类器（DSSC），通过自监督学习和子空间分类解决了SAR ATR中的FSCIL问题。实验结果表明，该方法在多个数据集上均表现出色，显著优于现有的基准方法。DSSC的成功证明了其在实际动态环境中的应用潜力。这篇论文通过创新的模型设计和实验验证，为SAR ATR领域的少样本类增量学习提供了新的解决方案。