Verbesserung des Pre-Trainings und Fine-Tunings für Few-Shot SAR automatische Zielerkennung

SAR-ATR (synthetisches Apertursradar-automatische Zielerkennung) ist ein heißes Thema in der Fernüberwachung. Diese Arbeit schlägt einen Few-Shot-Zielerkennungsansatz (FTL) vor, der auf dem Konzept des Transferlernens basiert, um eine genaue Zielerkennung von SAR-Bildern in einem Few-Shot-Szenario zu erreichen, da die klassische SAR ATR-Methode eine erhebliche Datenabhängigkeit aufweist. Gleichzeitig führt die Strategie eine Modell-Distillationsmethode ein, um die Leistung des Modells weiter zu verbessern. Diese Methode besteht aus drei Teilen. Erstens die Datenengine, die das Stilübersetzungsmodell und optische Bilddaten verwendet, um Bilddaten zu generieren, die dem SAR-Stil ähnlich sind, und um eine bereichsübergreifende Umwandlung zu realisieren, kann effektiv das Problem unzureichender Trainingsdaten des SAR-Bilderklassifizierungsmodells lösen. Zweitens das Modelltraining, das SAR-Bilddatensätze verwendet, um das Modell vorzutrainieren. Hier führen wir die tiefe Brownian-Distanz-Kovarianz (Deep BDC) Pooling-Schicht ein, um die Bildmerkmalsdarstellung zu optimieren, sodass das Modell die Bilddarstellung lernen kann, indem der Unterschied zwischen der gemeinsamen Merkmalsfunktion des eingebetteten Merkmals und dem Randprodukt gemessen wird. Drittens, das Fine-Tuning des Modells, das die Modellstruktur einfriert, außer dem Klassifikator, und es mit einer kleinen Menge neuartiger Daten feinjustiert. Der Wissensdistillationsansatz wird gleichzeitig eingeführt, um das Modell wiederholt zu trainieren, das Wissen zu schärfen und die Modellleistung zu verbessern. Laut experimentellen Ergebnissen auf dem MSTAR-Benchmark-Datensatz ist die vorgeschlagene Methode nachweislich besser als die SOTA-Methode im Few-Shot-SAR-ATR-Problem. Die Erkennungsgenauigkeit liegt bei etwa 80 % im Fall von 10-Wege-10-Shot.