用于自动目标识别的无遗忘新类别发现

我们探索了一种名为合成孔径雷达目标新类别发现中的类增量学习（CNT）的前沿概念。这项创新任务涉及利用提供的已标记数据集作为参考，识别未标记数据集中类别的挑战。与传统的类别发现方法相比，我们的方法在不依赖旧标记类别的情况下引入新类别，并有效缓解了灾难性遗忘的问题。具体而言，为了减少已建立类别对未知类别的偏差，CNT通过自监督学习提取表征信息，直接从SAR数据本身获取以促进泛化。为了保持模型分类先前所习得知识的能力，我们采用了结合基类特征原型重演与应用知识蒸馏的双重策略。我们的方法整合了多视图和伪标记策略。此外，我们引入了一种专注于增强类别空间可辨识度的新方法。该策略主要确保未标记类别与基类原型之间的清晰分离，并对单个样本与其相应视角之间的内部关系施加严格约束。据我们所知，这是类增量学习场景下类别发现的首个研究。实验结果表明，与以往的最优方法相比，我们的方法显著提高了在SAR图像上的性能，这证明了我们方法的有效性。