用于小样本SAR目标识别的一致性正则化生成对抗网络
计算机视觉与模式识别
2026-01-23 v1
摘要
由于数据极度稀缺，合成孔径雷达（SAR）图像中的小样本识别仍然是实际应用中的一个关键瓶颈。一种有前景的策略是使用生成对抗网络（GAN）合成大型数据集，通过自监督学习（SSL）预训练模型，然后在少量标记样本上进行微调。然而，这种方法面临一个根本性悖论：传统的GAN本身需要大量数据才能稳定训练，这与小样本学习的前提相矛盾。为了解决这个问题，我们提出了一致性正则化生成对抗网络（Cr-GAN），这是一个新颖的框架，旨在即使在如此严重的数据限制下训练，也能合成多样化、高保真度的样本。Cr-GAN引入了一个双分支判别器，将对抗训练与表示学习解耦。这种架构支持一种通道式特征插值策略来创建新颖的潜在特征，并辅以双域循环一致性机制以确保语义完整性。我们的Cr-GAN框架可适应各种GAN架构，其合成数据有效地提升了多种SSL算法。在MSTAR和SRSDD数据集上的大量实验验证了我们的方法，Cr-GAN在8-shot设置下分别达到了71.21%和51.64%的极具竞争力的准确率，显著优于领先的基线模型，同时仅需最先进扩散模型约5%的参数。代码可在以下地址获取：https://github.com/yikuizhai/Cr-GAN。
引用
@article{arxiv.2601.15681,
title = {Consistency-Regularized GAN for Few-Shot SAR Target Recognition},
author = {Yikui Zhai and Shikuang Liu and Wenlve Zhou and Hongsheng Zhang and Zhiheng Zhou and Xiaolin Tian and C. L. Philip Chen},
journal= {arXiv preprint arXiv:2601.15681},
year = {2026}
}