Scattering-Aware Adaptive Dynamic Node Generation for SAR Class-Incremental Learning

Fangyi Wang

doi:10.1109/TGRS.2025.3615628

Scattering-Aware Adaptive Dynamic Node Generation for SAR Class-Incremental Learning

2025-01-01

0

PRE

AI

汪方毅 (Fangyi Wang)

王

王海蓬 (Haipeng Wang)

DOI：10.1109/TGRS.2025.3615628

原文链接

摘要

En 中文

合成孔径雷达（SAR）目标识别中经常出现新目标的出现。使用新到达的数据更新和迭代现有模型构成了一个增量学习任务。然而，仅使用新数据进行训练通常会导致灾难性遗忘，导致在先前学习的类别上性能显著下降，而重新训练整个模型则成本过高。这需要开发具有强大持续学习能力的算法。此外，与传统光学场景相比，SAR增量任务带来了更大的挑战：由于成像机制、目标特征和应用场景，它们对方位角变化高度敏感，表现出低类间可变性，并需要轻量级解决方案。为解决这些问题，本文提出了一种面向散射的自适应动态节点生成（SDG）算法，用于类别增量学习（CIL）。首先，集成了属性散射中心模型（ASCM）以提取代表性原型向量，这增强了空间注意力并校准扩展骨干网络的参数。其次，结合参数最小化的梯度约束和指示器驱动的动态网络扩展策略，确保了模型紧凑性和效率。最后，引入了一种多教师知识蒸馏（KD）方法，其中不同的骨干网络作为不同的教师，以缓解SAR图像固有的低类间可变性。在MSTAR、SAR-AIRcraft和FUSAR-Ship数据集上的大量实验表明，SDG在识别准确率和参数效率方面均取得了显著提升。因此，本研究为资源受限平台上的实时SAR目标识别提供了一种轻量且有效的解决方案。

Keyword:

Attributed scattering center model (ASCM)

class-incremental learning (CIL)

dynamic node generation

synthetic aperture radar automatic target recognition (SAR-ATR)

Scattering-Aware Adaptive Dynamic Node Generation for SAR Class-Incremental Learning

摘要

期刊

机构

引用论文