基于小波散射变换与动态原型优化的半监督小样本SAR目标识别方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A prototype-based semi-supervised learning method for few-shot SAR target recognition

本文针对合成孔径雷达(SAR)自动目标识别(SATR)中标注样本稀缺导致的小样本学习(FSL)性能受限问题，提出了一种结合小波散射变换(WST)和动态优化策略的半监督小样本学习框架WST-DRFSL。该方法通过两阶段训练（基础学习与动态优化）和选择性一致性正则化技术，在MSTAR等四个公开数据集上显著提升了少样本场景下的识别准确率，为SAR目标识别提供了新的技术路径。

　　

在军事侦察、环境监测等关键领域，合成孔径雷达(SAR)凭借其全天候成像能力成为不可或缺的技术手段。然而，SAR图像解译高度依赖专业经验，传统深度学习模型需要大量标注数据支撑，而现实中新型目标样本极其稀缺——受限于设备准入、成像区域限制等因素，标注完善的SAR数据集难以获取。这一矛盾导致小样本学习成为SAR自动目标识别领域的核心挑战。

现有解决方案主要围绕模型增强、数据增强和领域适配三大方向展开。例如通过嵌入SAR专用组件改进网络结构，或利用生成对抗网络(GAN)合成样本，抑或迁移光学图像预训练模型。但单纯依赖有限标注数据的监督学习难以捕捉目标的本质特征，而直接应用光学领域的半监督方法（如标签传播）又因伪标签错误累积而效果不佳。更关键的是，传统一致性正则化(CR)训练模式与小样本学习需求存在根本冲突：CR需要缓慢收敛以学习通用特征，而FSL要求快速适应新类别。

针对这一难题，国防科技大学研究团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》发表论文，提出了一种创新性的WST-DRFSL框架。该方法巧妙融合了小波散射变换的物理特征提取优势与动态优化机制，通过两阶段训练实现了少样本场景下的快速收敛与稳定识别。

研究团队采用的核心技术方法包括：1) 小波散射变换(WST)多尺度特征提取，利用模运算增强散射点特征；2) 基于一致性正则化(CR)的师生模型框架，通过强弱数据增强策略构建样本扰动；3) 动态优化机制，交替执行显式原型优化（通过Top-K伪标签筛选）和隐式模型优化（选择性CR损失）；4) 印刻权重(IW)原型初始化方法，避免对少量标注样本的过拟合。实验依托MSTAR、FUSAR、OpenSARShip和SAMPLE四个SAR数据集，采用4-way/3-way N-shot协议进行验证。

模型架构与算法设计

WST-DRFSL采用两阶段流水线设计。基础训练阶段通过CR损失联合优化编码器和基类原型，其中WST模块提取的散射特征与原始图像特征拼接后输入ResNet18编码器。动态优化阶段创新性地引入交替优化循环：首先通过伪标签扩增样本集更新原型（显式优化），随后利用带噪声的师生模型进行隐式微调。这种"优化-验证-再优化"的闭环机制有效克服了伪标签错误传播问题。

特征可视化与量化分析

特征分布可视化表明，WST-DRFSL在MSTAR数据集上呈现更紧凑的类内分布和更疏离的类间边界。量化指标显示，该方法在1-shot场景下类内方差较最优基线降低15.9%，类间方差比提升至4.21，证明其特征判别力显著提升。特别是在舰船目标复杂的FUSAR数据集上，模型仍能保持1.22的方差比，凸显对复杂背景的适应性。

增量学习性能验证

在类增量设置下，模型经历4个学习会话后最终准确率达82.02%，平均会话性能提升8.42%-15.32%。这表明原型优化策略能有效缓解灾难性遗忘，其中隐式关系学习对维持基类知识至关重要。

泛化能力与鲁棒性测试

当未标注样本数从30增至50时，识别精度保持单调增长（MSTAR数据集1-shot场景下从84.96%升至86.43%），证明方法对数据规模的稳健性。参数敏感性实验表明，一致性损失权重λ=0.3时达到最优平衡，精度波动范围控制在2%以内。

计算效率分析

ResNet12-WST模型仅增加4.06MB存储开销，在RTX 3080Ti上单图推理耗时33.01毫秒。这种轻量化设计使其具备星载部署潜力，为实时SAR目标识别提供工程可行性。

本研究通过物理启发的特征增强与动态优化机制，突破了传统半监督方法在SAR小样本场景中的性能瓶颈。WST模块对散射特性的显式建模增强了特征可解释性，而交替优化策略则为小样本学习提供了新的收敛范式。该方法在保持轻量级架构的同时，在多个基准数据集上实现了最先进的识别性能，为资源受限环境下的SAR自动目标识别提供了切实可行的技术路径。未来工作可进一步融合偏振、成像几何等SAR专属先验知识，结合视觉Transformer等新兴架构持续提升模型泛化能力。