.png){kind=icon}
返回
Self-supervised prototype alignment and aggregation for few-shot class-incremental infrared target recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.optlastec.2025.114331.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 针对红外目标识别（IRTR）中的少样本类增式学习（FSCIL）问题，我们提出了一种聚焦于知识泛化和稳定识别的自监督原型对齐与聚合（SPAA）框架。• 在基础阶段设计了一种旋转感知自监督损失（RSL）以提升模型对类别无关目标模式的感知能力。此外，在增广阶段引入了原型重校准策略（PRS）和预测聚合策略（PAS），以利用少样本实现新类别的快速适应和稳定判别。• 构建了两个任务特定数据集FSCIL-IRTR和FSCIL-FLIR用于验证。SPAA框架相较于众多最新研究基准展现出有竞争力的性能。
