用于少量样本SAR自动目标识别的混合推理网络

合成孔径雷达（SAR）自动目标识别（ATR）在SAR图像解释中发挥着重要作用。然而，在现有的SAR ATR算法中，通常需要为每种目标类型提供至少数百个训练样本。本文提出了一种新颖的少量学习框架，称为混合推理网络（HIN），旨在解决仅使用少量训练样本的SAR目标识别问题。HIN的识别过程由两个主要阶段组成。在第一阶段，使用嵌入网络将SAR图像映射到嵌入空间。在第二阶段，采用结合归纳推理和传导推理的混合推理策略对嵌入空间中的样本进行分类。在归纳推理部分，每个样本根据基于欧几里得距离的度量独立识别。在传导推理部分，所有样本根据其流形结构通过标签传播整体识别。最后，在混合推理部分，结合上述两种推理方法获得分类结果。为了更有效地训练该框架，提出了一种新颖的损失函数，称为增强混合损失，以约束样本在嵌入空间中获得更好的类间可分性。在移动和静止目标获取与识别（MSTAR）基准数据集上的实验结果表明，HIN在少量样本SAR图像分类中表现良好。