针对深度学习模型易出现灾难性遗忘的关键难点,提出了一种基于原型对比的合成孔径雷达(synthetic aperture radar,SAR)图像增量小样本目标检测算法-InFSAR(prototype contrast based incremental few-shot SAR object detection)。首先...针对深度学习模型易出现灾难性遗忘的关键难点,提出了一种基于原型对比的合成孔径雷达(synthetic aperture radar,SAR)图像增量小样本目标检测算法-InFSAR(prototype contrast based incremental few-shot SAR object detection)。首先,采用基础数据集对检测器进行预训练,以构建初步的特征提取能力;其次,设计一种类原型表征生成模块,以构建一组能够代表数据内在特征的类原型。在增量学习阶段,设计一种混合类原型对比编码模块,以有效学习新类别与基础类别之间的区分性特征。此外,为缓解灾难性遗忘问题,引入类原型校准策略,使模型在类原型上的预测分布逐步逼近真实分布,从而保持对基础类别识别的稳定性。在小样本目标检测数据集SRSDD-v1.0上的实验结果表明,在5-shot设置下,InFSAR对船舶细粒度目标的检测精度达到46.5%。同时,该方法能够在无需访问基础类训练数据的情况下,实现对少量标注新类别的增量检测与识别。展开更多
文摘针对深度学习模型易出现灾难性遗忘的关键难点,提出了一种基于原型对比的合成孔径雷达(synthetic aperture radar,SAR)图像增量小样本目标检测算法-InFSAR(prototype contrast based incremental few-shot SAR object detection)。首先,采用基础数据集对检测器进行预训练,以构建初步的特征提取能力;其次,设计一种类原型表征生成模块,以构建一组能够代表数据内在特征的类原型。在增量学习阶段,设计一种混合类原型对比编码模块,以有效学习新类别与基础类别之间的区分性特征。此外,为缓解灾难性遗忘问题,引入类原型校准策略,使模型在类原型上的预测分布逐步逼近真实分布,从而保持对基础类别识别的稳定性。在小样本目标检测数据集SRSDD-v1.0上的实验结果表明,在5-shot设置下,InFSAR对船舶细粒度目标的检测精度达到46.5%。同时,该方法能够在无需访问基础类训练数据的情况下,实现对少量标注新类别的增量检测与识别。
