高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

自监督解耦动态分类器的小样本类增量SAR图像目标识别

赵琰 赵凌君 张思乾 计科峰 匡纲要

赵琰, 赵凌君, 张思乾, 计科峰, 匡纲要. 自监督解耦动态分类器的小样本类增量SAR图像目标识别[J]. 电子与信息学报. doi: 10.11999/JEIT231470
引用本文: 赵琰, 赵凌君, 张思乾, 计科峰, 匡纲要. 自监督解耦动态分类器的小样本类增量SAR图像目标识别[J]. 电子与信息学报. doi: 10.11999/JEIT231470
ZHAO Yan, ZHAO Lingjun, ZHANG Siqian, JI Kefeng, KUANG Gangyao. Few-Shot Class-Incremental SAR Image Target Recognition using Self-supervised Decoupled Dynamic Classifier[J]. Journal of Electronics & Information Technology. doi: 10.11999/JEIT231470
Citation: ZHAO Yan, ZHAO Lingjun, ZHANG Siqian, JI Kefeng, KUANG Gangyao. Few-Shot Class-Incremental SAR Image Target Recognition using Self-supervised Decoupled Dynamic Classifier[J]. Journal of Electronics & Information Technology. doi: 10.11999/JEIT231470

自监督解耦动态分类器的小样本类增量SAR图像目标识别

doi: 10.11999/JEIT231470
详细信息
    作者简介:

    赵琰:男,博士生,研究方向为SAR图像目标识别、增量学习、小样本学习

    赵凌君:女,博士,副教授,研究方向为遥感信息处理、SAR图像目标识别

    张思乾:女,博士,副教授,研究方向为遥感信息处理、SAR图像目标识别

    计科峰:男,博士,教授,研究方向为SAR目标电磁散射特性建模、特征提取、检测识别

    匡纲要:男,博士,教授,研究方向为遥感信息处理、SAR图像目标识别

    通讯作者:

    赵凌君 nudtzlj@163.com

  • 中图分类号: TN957; TP751.2

Few-Shot Class-Incremental SAR Image Target Recognition using Self-supervised Decoupled Dynamic Classifier

  • 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。
  • 图  1  自监督动态解耦分类器(SDDC)整体结构

    图  2  SAR图像目标结构与高维语义信息的方位角敏感性与相位模糊性

    图  3  基于误差解耦理论对类印记初始化优势分析

    图  4  FSCIL数据集构建过程

    图  5  MSTAR数据集10类目标SAR图像与光学图像对比

    图  6  SAR-AIRcarft-1.0数据集7类目标SAR图像与光学图像对比

    图  7  SMO对算法特征提取能力改善可视化结果

    图  8  采用SMO前后算法所提目标梯度激活图与特征稀疏性与响应值

    图  9  采用SRO前后算法所提目标方位角特征归一化值与梯度激活图

    图  10  采用SRO前后算法所提类内特征相似性均值与方差

    图  11  算法分类准确率与归一化分类器值。

    图  12  PDL不同解耦阶段对算法在多种评价指标上分类性能影响的柱状图

    图  13  算法不同解耦位置对基类和增量类目标的梯度激活图

    图  14  不同算法在MSTAR-FSCIL数据集和SAR-AIRcraft-1.0-FSCIL数据集测试性能曲线图

    图  15  对比基准分类结果混淆矩阵

    图  16  不同学习阶段MSTAR-FSCIL数据集类特征空间t-SNE分布

    图  17  不同学习阶段SAR-AIRcraft-1.0-FSCIL数据集类特征空间t-SNE分布

    1  散射混淆操作(SMO)处理过程

     输入:小批次基类训练样本 ${\boldsymbol{b}} = \{ ({{\boldsymbol{x}}_i},{y_i})\} _{i = 1}^{|{N_{{b}}}|} \in {{\boldsymbol{D}}^1}$
     初始化:混淆次数 R ,混淆样本存储列表${S_{{\text{smo}}}}$
     For r = 1 to R do
      步骤1 采样随机顺序数据${\boldsymbol{\tilde b}} = \{ ({{\boldsymbol{\tilde x}}_i},{\tilde y_i})\} _{i = 1}^{|{N_{{b}}}|}$
      步骤2 获取原始$\{ {y_i}\} _{i = 1}^{|{N_{{b}}}|}$与随机顺序$\{ {\tilde y_i}\} _{i = 1}^{|{N_{{b}}}|}$标签
      步骤3 从${\boldsymbol{b}}$中选取${\boldsymbol{b}}' = \{ ({{\boldsymbol{x}}'_i},{y'_i})\} $,从${\boldsymbol{\tilde b}}$中选取
      $ {\boldsymbol{\tilde b}}' = \{ ({{\boldsymbol{\tilde x}}'_i},{\tilde y'_i})\} $,满足${y'_j} \ne {\tilde y'_j},\forall j \in |{N_{{b}}}|$
      步骤4 根据公式1从${\boldsymbol{b}}'$与 $ {\boldsymbol{\tilde b}}' $中生成散射混淆样本集
      $ {{\stackrel \frown{{\boldsymbol{b}}} }} = \{ ({{{\stackrel \frown{{\boldsymbol{x}}} }}_i},{\stackrel \frown{y} _i})\} $
      步骤5 将$ {{\stackrel \frown{{\boldsymbol{b}}} }} $添加至${S_{{\text{smo}}}}$
     End for
     输出:${S_{{\text{smo}}}}$
    下载: 导出CSV

    表  1  MSTAR-FSCIL数据集配置

    学习阶段 序号 类别 型号 训练集 测试集
    基类 1 BTR70 c71 233 196
    2 2S1 b01 299 274
    3 BRDM2 E-71 298 274
    4 BMP2 9563 233 196
    增量类 5 ZIL131 E12 5 274
    6 T62 A51 5 274
    7 D7 13015 5 274
    8 BTR60 7532 5 195
    9 T72 132 5 196
    10 ZSU234 d08 5 274
    下载: 导出CSV

    表  2  SAR-AIRcraft-1.0-FSCIL数据集配置表

    学习阶段 序号 类别 训练集 测试集
    基类 1 Other 2 000 200
    2 A220 2 000 200
    3 Boeing787 2 000 200
    4 Boeing737 2 000 200
    增量类 5 A320 5 200
    6 ARJ21 5 200
    7 A330 5 200
    下载: 导出CSV

    表  3  SDDC算法模块与损失贡献(%)

    迁移性 判别性 Avg.Acc Acc.Old Acc.New PD
    SMO SRO CI-CE PDL
    75.26 78.87 49.02 41.50
    78.35 81.41 54.16 37.77
    77.79 81.27 52.24 35.29
    79.50 82.68 54.46 34.47
    73.30 72.62 79.12 55.83
    75.81 79.01 47.22 42.35
    81.73 83.37 66.70 31.61
    下载: 导出CSV
  • [1] 张路, 廖明生, 董杰, 等. 基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例[J]. 武汉大学学报: 信息科学版, 2018, 43(12): 2039–2049. doi: 10.13203/j.whugis20180181.

    ZHANG Lu, LIAO Mingsheng, DONG Jie, et al. Early detection of landslide hazards in mountainous areas of West China using time series SAR interferometry-A case study of Danba, Sichuan[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 2039–2049. doi: 10.13203/j.whugis20180181.
    [2] 李永祯, 黄大通, 邢世其, 等. 合成孔径雷达干扰技术研究综述[J]. 雷达学报, 2020, 9(5): 753–764. doi: 10.12000/JR20087.

    LI Yongzhen, HUANG Datong, XING Shiqi, et al. A review of synthetic aperture radar jamming technique[J]. Journal of Radars, 2020, 9(5): 753–764. doi: 10.12000/JR20087.
    [3] 傅兴玉, 尤红建, 付琨. 基于邻域均方连续差分的SAR图像边缘提取算法[J]. 电子与信息学报, 2012, 34(5): 1030–1037. doi: 10.3724/SP.J.1146.2011.00920.

    FU Xingyu, YOU Hongjian, and FU Kun. An approach to extract edge in SAR image based on square successive difference of neighborhood averages[J]. Journal of Electronics & Information Technology, 2012, 34(5): 1030–1037. doi: 10.3724/SP.J.1146.2011.00920.
    [4] 罗汝, 赵凌君, 何奇山, 等. SAR图像飞机目标智能检测识别技术研究进展与展望[J]. 雷达学报, 2024, 13(2): 307–330. doi: 10.12000/JR23056.

    LUO Ru, ZHAO Lingjun, HE Qishan, et al. Intelligent technology for aircraft detection and recognition through SAR imagery: Advancements and prospects[J]. Journal of Radars, 2024, 13(2): 307–330. doi: 10.12000/JR23056.
    [5] 周大蔚, 汪福运, 叶翰嘉, 等. 基于深度学习的类别增量学习算法综述[J]. 计算机学报, 2023, 46(8): 1577–1605. doi: 10.11897/SP.J.1016.2023.01577.

    ZHOU Dawei, WANG Fuyun, YE Hanjia, et al. Deep learning for class-incremental learning: A survey[J]. Chinese Journal of Computers, 2023, 46(8): 1577–1605. doi: 10.11897/SP.J.1016.2023.01577.
    [6] 丁柏圆, 文贡坚, 余连生, 等. 属性散射中心匹配及其在SAR目标识别中的应用[J]. 雷达学报, 2017, 6(2): 157–166. doi: 10.12000/JR16104.

    DING Baiyuan, WEN Gongjian, YU Liansheng, et al. Matching of attributed scattering center and its application to synthetic aperture radar automatic target recognition[J]. Journal of Radars, 2017, 6(2): 157–166. doi: 10.12000/JR16104.
    [7] HUMMEL R. Model-based ATR using synthetic aperture radar[C]. The IEEE 2000 International Radar Conference, Alexandria, USA, 2000: 856–861. doi: 10.1109/RADAR.2000.851947.
    [8] CHEN Sizhe, WANG Haipeng, XU Feng, et al. Target classification using the deep convolutional networks for SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(8): 4806–4817. doi: 10.1109/TGRS.2016.2551720.
    [9] REBUFFI S A, KOLESNIKOV A, SPERL G, et al. iCaRL: Incremental classifier and representation learning[C]. 2017 IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, USA, 2017: 5533–5542. doi: 10.1109/CVPR.2017.587.
    [10] HOU Saihui, PAN Xinyu, LOY C C, et al. Learning a unified classifier incrementally via rebalancing[C]. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Long Beach, USA, 2019: 831–839. doi: 10.1109/CVPR.2019.00092.
    [11] TAO Xiaoyu, HONG Xiaopeng, CHANG Xinyuan, et al. Few-shot class-incremental learning[C]. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, USA, 2020: 12180–12189. doi: 10.1109/cvpr42600.2020.01220.
    [12] ZHANG Chi, SONG Nan, LIN Guosheng, et al. Few-shot incremental learning with continually evolved classifiers[C]. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Nashville, USA, 2021: 12450–12459. doi: 10.1109/CVPR46437.2021.01227.
    [13] PENG Can, ZHAO Kun, WANG Tianren, et al. Few-shot class-incremental learning from an open-set perspective[C]. 17th European Conference on Computer Vision, Tel Aviv, Israel, 2022: 382–397. doi: 10.1007/978-3-031-19806-9_22.
    [14] SONG Zeyin, ZHAO Yifan, SHI Yujun, et al. Learning with fantasy: Semantic-aware virtual contrastive constraint for few-shot class-incremental learning[C]. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Vancouver, Canada, 2023: 24183–24192. doi: 10.1109/CVPR52729.2023.02316.
    [15] WANG Li, YANG Xinyao, TAN Haoyue, et al. Few-shot class-incremental SAR target recognition based on hierarchical embedding and incremental evolutionary network[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 5204111. doi: 10.1109/TGRS.2023.3248040.
    [16] ZHAO Yan, ZHAO Lingjun, DING Ding, et al. Few-shot class-incremental SAR target recognition via cosine prototype learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 5212718. doi: 10.1109/TGRS.2023.3298016.
    [17] NOVAK L M, OWIRKA G J, BROWER W S, et al. The automatic target-recognition system in SAIP[J]. The Lincoln Laboratory Journal, 1997, 10(2): 187–202.
    [18] 王智睿, 康玉卓, 曾璇, 等. SAR-AIRcraft-1.0: 高分辨率SAR飞机检测识别数据集[J]. 雷达学报, 2023, 12(4): 906–922. doi: 10.12000/JR23043.

    WANG Zhirui, KANG Yuzhuo, ZENG Xuan, et al. SAR-AIRcraft-1.0: High-resolution SAR aircraft detection and recognition dataset[J]. Journal of Radars, 2023, 12(4): 906–922. doi: 10.12000/JR23043.
  • 加载中
图(17) / 表(4)
计量
  • 文章访问数:  134
  • HTML全文浏览量:  134
  • PDF下载量:  40
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-01-10
  • 修回日期:  2024-06-25
  • 网络出版日期:  2024-06-24

目录

    /

    返回文章
    返回