基于对比特征对齐学习不变表示的杂波鲁棒 SAR 目标识别

深度神经网络（DNNs）已将合成孔径雷达自动目标识别（SAR ATR）从基于专家知识的特征设计中解放出来，并展现出优于传统方案的性能。已有研究表明，地面车辆基准数据集中背景强相关这一特有缺陷导致 DNNs 过拟合杂波，且对陌生环境缺乏鲁棒性。然而，固定背景模型训练与变化背景应用之间的差距仍未被充分探索。受对比学习启发，本文提出一种称为对比特征对齐（CFA）的方法，旨在学习不变表示以实现鲁棒识别。所提方法贡献了一种混合杂波变体生成策略，以及一个配备通道加权均方误差（CWMSE）损失的新推理分支，用于不变表示学习。具体而言，该生成策略经过精心设计，以更好地在特征空间中吸引杂波敏感偏差。进一步设计 CWMSE 损失以更好地对比该偏差，并对原始图像及其对应杂波变体激活的深度特征进行对齐。所提 CFA 将分类损失与 CWMSE 损失结合以联合训练模型，从而实现不变目标表示的渐进式学习。在 MSTAR 数据集和六种 DNN 模型上的大量评估证明了我们方法的有效性。结果表明，CFA 训练的模型能够在数据集中未包含的陌生环境中识别目标，并对变化的信杂比具有鲁棒性。