一级黄色片免费播放|中国黄色视频播放片|日本三级a|可以直接考播黄片影视免费一级毛片

高級(jí)搜索

留言板

尊敬的讀者、作者、審稿人, 關(guān)于本刊的投稿、審稿、編輯和出版的任何問題, 您可以本頁(yè)添加留言。我們將盡快給您答復(fù)。謝謝您的支持!

姓名
郵箱
手機(jī)號(hào)碼
標(biāo)題
留言內(nèi)容
驗(yàn)證碼

自監(jiān)督解耦動(dòng)態(tài)分類器的小樣本類增量SAR圖像目標(biāo)識(shí)別

趙琰 趙凌君 張思乾 計(jì)科峰 匡綱要

趙琰, 趙凌君, 張思乾, 計(jì)科峰, 匡綱要. 自監(jiān)督解耦動(dòng)態(tài)分類器的小樣本類增量SAR圖像目標(biāo)識(shí)別[J]. 電子與信息學(xué)報(bào), 2024, 46(10): 3936-3948. doi: 10.11999/JEIT231470
引用本文: 趙琰, 趙凌君, 張思乾, 計(jì)科峰, 匡綱要. 自監(jiān)督解耦動(dòng)態(tài)分類器的小樣本類增量SAR圖像目標(biāo)識(shí)別[J]. 電子與信息學(xué)報(bào), 2024, 46(10): 3936-3948. 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, 2024, 46(10): 3936-3948. 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, 2024, 46(10): 3936-3948. doi: 10.11999/JEIT231470

自監(jiān)督解耦動(dòng)態(tài)分類器的小樣本類增量SAR圖像目標(biāo)識(shí)別

doi: 10.11999/JEIT231470
詳細(xì)信息
    作者簡(jiǎn)介:

    趙琰:男,博士生,研究方向?yàn)镾AR圖像目標(biāo)識(shí)別、增量學(xué)習(xí)、小樣本學(xué)習(xí)

    趙凌君:女,博士,副教授,研究方向?yàn)檫b感信息處理、SAR圖像目標(biāo)識(shí)別

    張思乾:女,博士,副教授,研究方向?yàn)檫b感信息處理、SAR圖像目標(biāo)識(shí)別

    計(jì)科峰:男,博士,教授,研究方向?yàn)镾AR目標(biāo)電磁散射特性建模、特征提取、檢測(cè)識(shí)別

    匡綱要:男,博士,教授,研究方向?yàn)檫b感信息處理、SAR圖像目標(biāo)識(shí)別

    通訊作者:

    趙凌君 nudtzlj@163.com

  • 中圖分類號(hào): TN957; TP751.2

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

  • 摘要: 為提升基于深度學(xué)習(xí)(DL)的合成孔徑雷達(dá)自動(dòng)目標(biāo)識(shí)別(SAR ATR)系統(tǒng)在開放動(dòng)態(tài)的非合作場(chǎng)景中對(duì)新類別目標(biāo)的持續(xù)敏捷識(shí)別能力,該文研究了SAR ATR的小樣本類增量學(xué)習(xí)(FSCIL)問題,并提出了自監(jiān)督解耦動(dòng)態(tài)分類器(SDDC)。針對(duì)FSCIL 中“災(zāi)難性遺忘”和“過擬合”本質(zhì)難點(diǎn)和SAR ATR領(lǐng)域挑戰(zhàn),根據(jù)SAR圖像目標(biāo)信息的部件化與方位角敏感性特點(diǎn),于圖像域構(gòu)建了基于散射部件混淆與旋轉(zhuǎn)模塊(SCMR)的自監(jiān)督學(xué)習(xí)任務(wù),以提升目標(biāo)表征的泛化性與穩(wěn)健性。同時(shí),設(shè)計(jì)了類印記交叉熵(CI-CE)損失并以參數(shù)解耦學(xué)習(xí)(PDL)策略對(duì)模型動(dòng)態(tài)微調(diào),以對(duì)新舊知識(shí)平衡判別。實(shí)驗(yàn)在由MSTAR和SAR-AIRcraft-1.0數(shù)據(jù)集分別構(gòu)建的覆蓋多種目標(biāo)類別、觀測(cè)條件和成像平臺(tái)的FSCIL場(chǎng)景上驗(yàn)證了該算法開放動(dòng)態(tài)環(huán)境的適應(yīng)能力。
  • 圖  1  自監(jiān)督動(dòng)態(tài)解耦分類器(SDDC)整體結(jié)構(gòu)

    圖  2  SAR圖像目標(biāo)結(jié)構(gòu)與高維語(yǔ)義信息的方位角敏感性與相位模糊性

    圖  3  基于誤差解耦理論對(duì)類印記初始化優(yōu)勢(shì)分析

    圖  4  FSCIL數(shù)據(jù)集構(gòu)建過程

    圖  5  MSTAR數(shù)據(jù)集10類目標(biāo)SAR圖像與光學(xué)圖像對(duì)比

    圖  6  SAR-AIRcarft-1.0數(shù)據(jù)集7類目標(biāo)SAR圖像與光學(xué)圖像對(duì)比

    圖  7  SMO對(duì)算法特征提取能力改善可視化結(jié)果

    圖  8  采用SMO前后算法所提目標(biāo)梯度激活圖與特征稀疏性與響應(yīng)值

    圖  9  采用SRO前后算法所提目標(biāo)方位角特征歸一化值與梯度激活圖

    圖  10  采用SRO前后算法所提類內(nèi)特征相似性均值與方差

    圖  11  算法分類準(zhǔn)確率與歸一化分類器值。

    圖  12  PDL不同解耦階段對(duì)算法在多種評(píng)價(jià)指標(biāo)上分類性能影響的柱狀圖

    圖  13  算法不同解耦位置對(duì)基類和增量類目標(biāo)的梯度激活圖

    圖  14  不同算法在MSTAR-FSCIL數(shù)據(jù)集和SAR-AIRcraft-1.0-FSCIL數(shù)據(jù)集測(cè)試性能曲線圖

    圖  15  對(duì)比基準(zhǔn)分類結(jié)果混淆矩陣

    圖  16  不同學(xué)習(xí)階段MSTAR-FSCIL數(shù)據(jù)集類特征空間t-SNE分布

    圖  17  不同學(xué)習(xí)階段SAR-AIRcraft-1.0-FSCIL數(shù)據(jù)集類特征空間t-SNE分布

    1  散射混淆操作(SMO)處理過程

     輸入:小批次基類訓(xùn)練樣本 ${\boldsymbol} = \{ ({{\boldsymbol{x}}_i},{y_i})\} _{i = 1}^{|{N_{}}|} \in {{\boldsymbol{D}}^1}$
     初始化:混淆次數(shù) R ,混淆樣本存儲(chǔ)列表${S_{{\text{smo}}}}$
     For r = 1 to R do
      步驟1 采樣隨機(jī)順序數(shù)據(jù)${\boldsymbol{\tilde b}} = \{ ({{\boldsymbol{\tilde x}}_i},{\tilde y_i})\} _{i = 1}^{|{N_{}}|}$
      步驟2 獲取原始$\{ {y_i}\} _{i = 1}^{|{N_{}}|}$與隨機(jī)順序$\{ {\tilde y_i}\} _{i = 1}^{|{N_{}}|}$標(biāo)簽
      步驟3 從${\boldsymbol}$中選取${\boldsymbol}' = \{ ({{\boldsymbol{x}}'_i},{y'_i})\} $,從${\boldsymbol{\tilde b}}$中選取
          $ {\boldsymbol{\tilde b}}' = \{ ({{\boldsymbol{\tilde x}}'_i},{\tilde y'_i})\} $,滿足${y'_j} \ne {\tilde y'_j},\forall j \in |{N_{}}|$
      步驟4 根據(jù)式(1)從${\boldsymbol}'$與 $ {\boldsymbol{\tilde b}}' $中生成散射混淆樣本集
          $ {{\stackrel \frown{{\boldsymbol}} }} = \{ ({{{\stackrel \frown{{\boldsymbol{x}}} }}_i},{\stackrel \frown{y} _i})\} $
      步驟5 將$ {{\stackrel \frown{{\boldsymbol}} }} $添加至${S_{{\text{smo}}}}$
     End for
     輸出:${S_{{\text{smo}}}}$
    下載: 導(dǎo)出CSV

    表  1  MSTAR-FSCIL數(shù)據(jù)集配置

    學(xué)習(xí)階段 序號(hào) 類別 型號(hào) 訓(xùn)練集 測(cè)試集
    基類 1 BTR70 c71 233 196
    2 2S1 b01 299 274
    3 BRDM2 E-71 298 274
    4 BMP2 9563 233 196
    增量類 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
    下載: 導(dǎo)出CSV

    表  2  SAR-AIRcraft-1.0-FSCIL數(shù)據(jù)集配置表

    學(xué)習(xí)階段 序號(hào) 類別 訓(xùn)練集 測(cè)試集
    基類 1 Other 2 000 200
    2 A220 2 000 200
    3 Boeing787 2 000 200
    4 Boeing737 2 000 200
    增量類 5 A320 5 200
    6 ARJ21 5 200
    7 A330 5 200
    下載: 導(dǎo)出CSV

    表  3  SDDC算法模塊與損失貢獻(xiàn)(%)

    遷移性 判別性 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
    下載: 導(dǎo)出CSV
  • [1] 張路, 廖明生, 董杰, 等. 基于時(shí)間序列InSAR分析的西部山區(qū)滑坡災(zāi)害隱患早期識(shí)別——以四川丹巴為例[J]. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)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] 李永禎, 黃大通, 邢世其, 等. 合成孔徑雷達(dá)干擾技術(shù)研究綜述[J]. 雷達(dá)學(xué)報(bào), 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] 傅興玉, 尤紅建, 付琨. 基于鄰域均方連續(xù)差分的SAR圖像邊緣提取算法[J]. 電子與信息學(xué)報(bào), 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] 羅汝, 趙凌君, 何奇山, 等. SAR圖像飛機(jī)目標(biāo)智能檢測(cè)識(shí)別技術(shù)研究進(jìn)展與展望[J]. 雷達(dá)學(xué)報(bào), 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, 汪福運(yùn), 葉翰嘉, 等. 基于深度學(xué)習(xí)的類別增量學(xué)習(xí)算法綜述[J]. 計(jì)算機(jī)學(xué)報(bào), 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] 丁柏圓, 文貢堅(jiān), 余連生, 等. 屬性散射中心匹配及其在SAR目標(biāo)識(shí)別中的應(yīng)用[J]. 雷達(dá)學(xué)報(bào), 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飛機(jī)檢測(cè)識(shí)別數(shù)據(jù)集[J]. 雷達(dá)學(xué)報(bào), 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.
  • 加載中
圖(17) / 表(4)
計(jì)量
  • 文章訪問數(shù):  318
  • HTML全文瀏覽量:  341
  • PDF下載量:  98
  • 被引次數(shù): 0
出版歷程
  • 收稿日期:  2024-01-10
  • 修回日期:  2024-06-17
  • 網(wǎng)絡(luò)出版日期:  2024-06-24
  • 刊出日期:  2024-10-30

目錄

    /

    返回文章
    返回