面向有限样本 SAR ATR 的前向散射中心模型的多层异构知识迁移网络
计算机视觉与模式识别
2025-09-30 v1 人工智能
摘要
仿真数据辅助的SAR目标识别方法目前是研究热点，旨在解决样本有限的问题。现有工作围绕仿真图像展开，但图像中嵌入的大量无关信息（如背景、噪声等）严重影响迁移信息的质量。我们探索了一种新的仿真数据迁移纯净且关键目标知识的方法，即前向散射中心模型(FSCM)，该模型以强物理意义和可解释性建模目标的实际局部结构。为实现此目标，提出了多层异构知识迁移(MHKT)网络，充分迁移FSCM知识于特征、分布和类别层面。具体而言，我们允许更适合异构数据的特征表示，通过任务关联信息选择器(TAIS)分离非信息性知识，以完成纯净的目标特征迁移。在分布层面，目标通用知识迁移(TGKT)模块中的新度量函数最大区分度偏差(MDD)能高效感知可迁移知识，同时保持类别间的判别结构。此外，类别关系知识迁移(CRKT)模块利用类别关系一致性约束，打破因仿真数据与实际测量数据不平衡导致的优化偏向仿真数据的困境。此类分阶段知识选择与迁移将确保迁移FSCM知识的完整性。值得注意的是，在由FSCM数据和实际测量SAR图像组成的两个新数据集上进行大量实验表明，我们的方法在性能方面具有优势。
引用
@article{arxiv.2509.23596,
title = {Multi-Level Heterogeneous Knowledge Transfer Network on Forward Scattering Center Model for Limited Samples SAR ATR},
author = {Chenxi Zhao and Daochang Wang and Siqian Zhang and Gangyao Kuang},
journal= {arXiv preprint arXiv:2509.23596},
year = {2025}
}