.png){kind=icon}
返回
Few-Shot Class-Incremental SAR Target Recognition Based on Dynamic Task-Adaptive Classifier
.png){kind=icon}
OA
AI
DOI：10.3390/rs18030527.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前的合成孔径雷达自动目标识别 (SAR ATR) 任务面临挑战，包括训练样本有限和对新课程的泛化能力差。为了解决这些问题，少镜头类增量学习 (FSCIL) 已成为一个有前途的研究方向。少镜头学习利用有限数量的标记样本促进了对新任务的快速适应，而增量学习则专注于模型的不断完善，因为新类别被合并而不会消除先前学习的知识。尽管这两种方法都对SAR目标识别中样本稀缺和类别演变的挑战提出了潜在的解决方案，但它们并非没有自己的困难。对新兴课程的微调可能会扰乱已建立课程的特征分布，最终导致灾难性的遗忘，而仅对少数新样本进行训练可能会导致对旧课程的偏见，从而导致分布崩溃和过度拟合。为了克服这些局限性并满足实际应用需求，我们提出了一种基于动态任务自适应分类器 (DTAC) 的少量类增量SAR目标识别方法。该方法通过特征提取模块、任务信息编码模块和分类器生成模块来强调任务适应性。特征提取模块识别特定于目标的特征和特定于任务的特征，而任务信息编码模块基于相关的任务信息调制分类器生成模块的网络参数，从而提高适应性。我们的创新分类器生成模块，通过针对特定任务的洞察力来磨练，动态地组装针对当前任务量身定制的分类器，有效地适应各种场景和新颖的类样本。我们在SAR数据集上进行的广泛实验表明，我们提出的方法在少拍类增量SAR目标识别中通常优于基线。
Keyword:
synthetic aperture radar automatic target recognition (SAR ATR)
few-shot class incremental learning (FSCIL)
task adaptation
deep learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.1
论文数:
7.4K
被引数:
15.1W
机构
引用论文
Few-Shot Class-Incremental SAR Target Recognition via Cosine Prototype Learning基于余弦原型学习的少拍类增量SAR目标识别
PREAI
分享收藏OHDL: Radar target detection using optimized hybrid deep learning for automotive FMCWOHDL：基于优化混合深度学习的汽车调频连续波雷达目标检测
PREAI
分享收藏Dual-Stream Manifold Multiscale Network for Target Recognition in Complex-Valued SAR Image With Electromagnetic Feature Fusion双流流形多尺度网络，用于复值SAR图像中的目标识别与电磁特征融合
PREAI
分享收藏SAR Target Classification Using the Multikernel-Size Feature Fusion-Based Convolutional Neural Network基于多核大小特征融合的卷积神经网络SAR目标分类
PREAI
分享收藏Kernel linear representation: application to target recognition in synthetic aperture radar imagesOAAI
OAAI分享收藏分享收藏Cross-task and cross-domain SAR target recognition: A meta-transfer learning approach.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容