基于伪标签引导的类特定特征重建方法在开放集高分辨距离像识别中的研究

《Pattern Recognition》：Class-Specific Feature Reconstruction with Pseudo-Label for Open-Set HRRP Recognition

本文提出了一种创新的开放集识别（OSR）方法CFRPL，专门针对高分辨距离像（HRRP）雷达目标识别中的姿态角敏感性和未知目标检测难题。该方法通过角度一致分组处理HRRP数据，利用带有流形正则化的ResFold网络提取紧凑特征，并采用伪标签引导的类特定重建模型建立自适应决策边界。实验表明CFRPL在保持已知类识别精度的同时，对未知目标的F1分数比现有重建类OSR方法提升2.5%，有效解决了开放环境下的雷达目标识别挑战。

　　

章节精选

数据描述

当雷达距离分辨率ΔR确定后，目标会沿波束方向被划分为多个距离单元。每个距离单元内的回波信号是该单元内所有散射中心回波的叠加。第i个距离单元的回波信号x_i可表示为：

x_i = ψ_i(f) = ∑_k=1^N_i a_i,kexp(j2πfτ_i,k)

其中ψ_i(f)是回波信号的频域表示；N_i是散射中心数量；a_i,k是第k个散射中心的散射强度；τ_i,k是...

CFRPL方法的理论分析

本节我们将详细介绍CFRPL方法。如图3所示，整个模型包含三个核心组成部分：数据预处理、ResFold特征提取网络和类特定特征重建模块。

数据集

我们采用两个数据集验证方法性能。模拟数据集通过雷达目标后向散射软件生成，使用400MHz带宽、5520MHz中心频率和800MHz采样频率。采用线性调频波形，波长5cm，脉冲重复频率（PRF）1000Hz。包含十种空中目标类型：Ah64、ALCM、An26等。HRRP数据采集覆盖0°至...的姿态角范围。

结论

本文提出的CFRPL方法有效解决了雷达目标识别中开放集识别（OSR）的挑战。我们的工作同步应对了HRRP数据固有的未知目标检测和角度敏感性双重难题。CFRPL框架证明重建误差可作为建立自适应类边界的有效指标，且无需未知类的先验知识。

然而，当前评估主要针对特定信噪比（SNR）范围和空中目标场景...