基于知识迁移的SAR目标新类别发现方法研究.pdfVIP

摘要

近年来，SAR目标识别在深度学习技术的推动下取得了显著进展。然而，实

际应用中，标注数据的获取成为制约其进一步发展的瓶颈。现有方法主要依赖于

大规模标注数据集来训练模型，确保对已知类别的精确识别，但标注数据的获取

既繁琐又耗时，且标注错误会严重影响模型的性能。此外，现实场景中目标类别的

多样性和不确定性使得新类别目标随时可能出现，而现有模型往往难以有效处理

这些新类别。为了解决以上问题，本文开展了基于知识迁移的SAR目标新类别发

现方法研究。通过利用已有知识，实现对新类别目标的识别和处理，突破了现有方

法在面对新类别目标时的局限性，提高模型的自适应能力和鲁棒性。本文方法为

SAR目标识别技术的发展开辟了新的路径，并有望推动其在军事侦察、智能监控

等领域的应用取得更大突破。

本文具体的研究内容和主要工作包含以下几个方面：

(1)针对SAR目标识别中标注数据不足且新类别目标难以处理的问题，本文

提出了一种基于语义知识迁移的SAR目标新类别发现方法。该方法提出使用mixup

对已知类标记样本进行线性插值扩充训练分布，对离散的样本空间连续化，提高

模型对新类别未知样本的泛化能力。为了有效利用已知类的先验知识，提出使用

互信息损失对模型进行约束，最大化将与类别相关的语义知识从已知类迁移到未

知类。最后从度量学习的角度出发对特征空间进行优化，提出使用中心损失对新

类别特征添加聚类约束，有效提升了新类别的聚类效果。通过大量对比实验分析，

本文所提出方法能够极大程度提升SAR目标新类别发现效果。

(2)针对现有新类别发现方法无法解决测试集中同时含有已知类样本和新类

别样本问题，本文提出了一种基于成对相似性预测网络的SAR目标广义新类别发

现方法，能够实现对已知类样本的分类和发现未标记样本中的新类别。该方法提出

使用原型网络为每个已知类提取特征原型，并提出使用自适应阈值对未标记样本

进行区分。为了避免网络模型在特征空间过拟合，提出使用能量分布对新类别样本

进行修正。利用成对相似性预测网络自动学习新类别样本之间的相似性关系，并提

出双层优化规则更新成对相似性预测网络，能够保持对已知类的分类性能下同时

利用已知类别的知识帮助新类别的发现。实验表明，本文所提方法能够更好实现对

已知类的分类和新类别的聚类，证明了本文广义新类别发现方法的有效性。

关键词：合成孔径雷达，新类别发现学习，语义知识迁移，成对相似性预测网络

ABSTRACT

ABSTRACT

Inrecentyears,SARtargetrecognitionhasmadesignificantprogressdrivenbydeep

learningtechnology.However,inpracticalapplications,theacquisitionoflabeleddata

hasbecomeabottleneckrestrictingitsfurtherdevelopment.Currentmethodsmainlyrely

onlarge-scalelabeleddatasetstotrainmodels,ensuringaccuraterecognitionofknown

categories.However,obtaininglabeleddataisbothcumbersomeandtime-consuming,

andlabelingerrorscansignificantlyaffectmodelperformance.Inaddition,thediversity

anduncertaintyoftargetcategoriesinreal-worldscenariosmeanthatnewcategoriescan

emergeatanytime,andexistingmodelsoftenstruggletoeffectivelyhandlethesenew

categories.Toaddresstheseissues,thisthesisproposesaresearch