基于对比学习和循环一致性的直推式迁移学习用于目标标注

自动目标识别（ATR）的标注是一项极具挑战性的任务，主要原因是目标域中缺乏已标注数据。因此，利用源域图像的标注信息来构建一个最优的目标域分类器至关重要。文献中先前已提出一种结合了基于 CycleGAN 的非配对域翻译网络的直推式迁移学习（TTL）方法，用于有效的 ATR 标注。尽管该方法展现了 ATR 的巨大潜力，但它严重受限于较低的标注性能、较高的 Fréchet Inception Distance（FID）分数以及合成图像中存在视觉伪影。为了解决这些问题，我们提出了一种混合对比学习基础的非配对域翻译（H-CUT）网络，该网络实现了显著更低的 FID 分数。它结合了注意力和熵以强调域特定区域，一个噪声特征混合模块以生成高变异的合成负样本块，以及一个调制噪声对比估计（MoNCE）损失，利用最优传输重新加权所有负样本块以获得更好的性能。我们提出的基于对比学习和循环一致性的 TTL（C3TTL）框架由两个 H-CUT 网络和两个分类器组成。它同时优化循环一致性、MoNCE 和恒等损失。在 C3TTL 中，通过双射映射使用两个 H-CUT 网络，将重建的源域图像馈送到一个预训练的分类器中，以指导最优的目标域分类器。在三个 ATR 数据集上进行的大量实验分析表明，所提出的 C3TTL 方法在标注民用和军用车辆以及舰船目标方面是有效的。