IncSAR：用于SAR目标识别的双融合增量学习框架
计算机视觉与模式识别
2025-01-20 v2
摘要
深度学习技术在静态场景中使用预定义数据集进行合成孔径雷达目标识别方面取得了显著成功。然而，实际应用要求模型能够增量学习新信息而不遗忘先前获得的知识。灾难性遗忘（即模型在适应新任务时丢失过去知识）的挑战仍然是一个关键问题。本文介绍了IncSAR，一个旨在解决SAR目标识别中灾难性遗忘问题的增量学习框架。IncSAR通过后融合策略，将视觉Transformer和定制设计的卷积神经网络结合在双分支架构中。此外，我们探索使用TinyViT来降低计算复杂度，并提出一种注意力机制来动态增强特征表示。为了减轻SAR图像固有的散斑噪声，我们采用基于鲁棒主成分分析神经网络近似的去噪模块，利用简单的神经网络实现高效的SAR图像降噪。此外，随机投影层改善了特征的线性可分性，线性判别分析的一种变体对提取的类原型进行去相关以实现更好的泛化。在MSTAR、SAR-AIRcraft-1.0和OpenSARShip基准数据集上的大量实验表明，IncSAR显著优于最先进的方法，实现了99.63%的平均准确率和0.33%的性能下降，与现有技术相比，保留率提高了89%。源代码已开源：https://github.com/geokarant/IncSAR。
引用
@article{arxiv.2410.05820,
title = {IncSAR: A Dual Fusion Incremental Learning Framework for SAR Target Recognition},
author = {George Karantaidis and Athanasios Pantsios and Ioannis Kompatsiaris and Symeon Papadopoulos},
journal= {arXiv preprint arXiv:2410.05820},
year = {2025}
}