面向高效 SAR 自动目标识别的少样本类增量学习
计算机视觉与模式识别
2025-05-27 v1
摘要
合成孔径雷达自动目标识别（SAR-ATR）系统已迅速发展，以应对实际运行环境中的增量识别挑战。数据稀缺仍是传统 SAR-ATR 技术难以解决的主要障碍。为应对这一挑战，我们提出了一种基于双分支架构的少样本类增量学习（FSCIL）框架，该架构专注于局部特征提取，并利用离散傅里叶变换和全局滤波器捕获长期空间依赖关系。该框架引入了轻量级的交叉注意力机制，将特定领域特征与全局依赖关系相融合，以确保稳健的特征交互，同时通过引入极少的尺度偏移参数来保持计算效率。该框架结合了用于处理类别不平衡下类别区分的 focal loss 和用于紧凑类内分布的 center loss，以增强类别分离边界。在 MSTAR 基准数据集上的实验结果表明，所提出的框架在 FSCIL SAR-ATR 中始终优于现有最先进方法，证明了其在实际场景中的有效性。
引用
@article{arxiv.2505.19565,
title = {Few-Shot Class-Incremental Learning For Efficient SAR Automatic Target Recognition},
author = {George Karantaidis and Athanasios Pantsios and Ioannis Kompatsiaris and Symeon Papadopoulos},
journal= {arXiv preprint arXiv:2505.19565},
year = {2025}
}