基于双不变性的小样本因果合成孔径雷达自动目标识别

小样本合成孔径雷达自动目标识别（SAR ATR）近期成为提升弱泛化能力的研究热点。尽管已有诸多优秀方法提出，仍缺乏基础理论解释小样本SAR数据导致ATR弱泛化的根源。本文建立因果ATR模型，表明在充足SAR数据下可被阻断的噪声$N$，在小样本时成为识别的混杂因子。其结果是，它对从SAR图像提取的特征$X$产生有害因果效应，导致小样本SAR ATR弱泛化。利用后门调整可估计并消除$N$对特征的效应，以追求$X$与预测类别$Y$间的直接因果性。然而，SAR图像难以精确估计并消除$N$对$X$的效应。小样本SAR数据几乎无法支撑多数基于经验风险最小化（ERM）的现有优化损失，从而难以有效消除$N$的效应。为应对$N$效应估计与消除的困难，我们提出由类内不变代理与噪声不变损失构成的双不变性。受以不变性应对变化的启发，类内不变代理通过对每类利用小样本获得准确不变特征，促进对$N$作用于$X$的精确估计。噪声不变损失将ERM对数据量的需求转化为对噪声环境标注的需求，通过巧妙地将前述$N$的估计用作噪声环境标注，有效消除$N$对$X$的效应。在三个基准数据集上的实验表明，所提方法取得了优越性能。