KPLNet：基于关键点原型的学习方法，用于实现零图像语义对应关系

《Pattern Recognition》：KPLNet: Keypoint Prototype Learning for Zero Image Semantic Correspondence

本文提出基于对比学习和交叉注意力机制的新型少样本发射器识别方法，通过关系网络自适应学习非线性相似度度量，解决传统方法在数据有限和跨信道条件下的泛化能力不足问题。实验表明，在5样本场景下，未知发射器识别准确率提升37.5%，且在LoRa公开数据集上性能优于现有方法。

　　在无线通信安全领域，特定发射源识别（Specific Emitter Identification, SEI）技术因其独特的物理层特性而受到广泛关注。SEI技术通过分析无线设备的射频指纹（Radio Frequency Fingerprinting, RFF）特征，实现对设备的识别与认证。近年来，随着深度学习技术的快速发展，其在自动调制分类、SEI以及信道状态信息估计等任务中展现出卓越的能力。然而，传统的深度学习方法在面对少样本（few-shot）和跨场景（cross-scene）的识别任务时，仍然存在诸多挑战。本文提出了一种基于跨注意力关系网络（Cross-Attention Relation Network, CARN）的少样本SEI方法，旨在提升模型在数据有限情况下的泛化能力和识别性能。

SEI技术的核心在于从无线信号中提取出独特的射频指纹特征。这些特征通常是设备在发射信号时因硬件特性、调制方式、传输环境等因素产生的细微差异。由于这些差异具有唯一性和可识别性，因此能够用于设备的身份认证。然而，传统的SEI方法往往依赖于人工设计的特征，例如统计特征、时频特征或调制相关特征。这种方法虽然在某些特定场景下有效，但在面对大规模、多样化的设备时，其泛化能力明显不足。此外，人工特征的设计需要大量的领域知识，限制了其在实际应用中的灵活性和扩展性。

随着深度学习的发展，研究者开始探索如何利用神经网络自动提取射频指纹特征。这类方法通常包括信号预处理、特征提取和分类三个阶段。在信号预处理阶段，通常会对原始信号进行滤波、降噪等处理，以去除干扰并保留关键信息。在特征提取阶段，神经网络能够从处理后的信号中学习到更复杂、更丰富的特征表示。在分类阶段，这些特征被用于识别设备类别。然而，传统深度学习方法在面对少样本条件时，往往因为训练数据不足而导致模型性能下降。此外，由于这些方法通常依赖于大量标注数据进行训练，因此在实际应用中，特别是在数据获取困难或隐私保护要求较高的场景下，存在一定的局限性。

为了解决上述问题，本文提出了一种基于对比学习和跨注意力机制的少样本SEI方法——CARN。该方法的核心思想是利用关系网络（Relation Network）来计算非线性相似度指标，从而提升模型在数据有限情况下的泛化能力。关系网络是一种能够学习样本之间相似性关系的结构，它通过比较样本之间的特征差异，构建一个相似度矩阵，进而用于分类任务。传统的关系网络通常依赖于线性相似度计算，而本文则引入了非线性相似度度量，使得模型能够更准确地捕捉样本之间的细微差异。

此外，为了应对跨通道（cross-channel）条件下的识别挑战，本文设计了一种跨注意力模块。该模块能够在特征图中自动识别出关键信号区域，并赋予其更高的权重。通过这种方式，模型能够在保持通道信息的同时，聚焦于那些对识别任务至关重要的特征区域。跨注意力机制的引入不仅提升了模型在复杂环境下的识别能力，还增强了其对不同通道特征的适应性。在实际应用中，不同设备可能在不同的传输通道中表现出不同的信号特征，因此，模型需要具备一定的跨通道泛化能力，以确保识别的准确性。

本文的研究基于LoRa（Long Range）数据集进行实验验证。LoRa是一种低功耗广域网（LPWAN）技术，广泛应用于物联网（Internet of Things, IoT）设备中。由于LoRa设备在信号传输过程中会产生独特的射频指纹，因此非常适合用于SEI研究。在实验中，本文使用了30个LoRa设备的信号数据作为训练数据，每个设备生成1000个信号样本。这些样本被分为训练集和验证集，比例为7:3。通过这种方式，模型能够在有限的数据条件下进行训练，并在测试阶段表现出良好的泛化能力。

实验结果表明，与现有的先进方法相比，CARN在少样本条件下取得了显著的识别性能提升。在5-shot（即每个类别仅提供5个样本用于训练）的场景下，CARN在已知发射源的识别任务中提升了4.85%，而在未知发射源的识别任务中则提升了37.5%。这一结果表明，CARN不仅能够有效处理数据不足的问题，还能够在跨场景条件下保持较高的识别精度。此外，CARN在不同信道条件下的表现也优于基线方法，说明其具有较强的鲁棒性和适应性。

本文的主要贡献包括三个方面。首先，提出了一种基于对比学习的少样本SEI方法，通过关系网络模块学习样本之间的相对关系，从而提升模型在数据有限情况下的泛化能力。其次，设计了跨注意力模块，用于增强模型在跨通道条件下的识别性能。第三，本文是首个将度量学习（Metric Learning）与对比学习（Contrastive Learning）相结合用于少样本SEI的研究，通过充分的实验验证了CARN方法的优越性。

在实验设计方面，本文采用了PyTorch框架实现CARN模型，并在NVIDIA TITAN XP平台上进行训练和测试。为了进一步验证模型的性能，本文还引入了ADS-B（Automatic Dependent Surveillance-Broadcast）数据集进行对比实验。ADS-B是一种用于航空器定位和追踪的技术，其信号特征也具有一定的唯一性，因此能够作为SEI任务的另一个验证数据集。通过在不同数据集上的实验，本文展示了CARN方法在多种场景下的广泛适用性。

从实际应用的角度来看，本文提出的CARN方法对于提升无线通信系统的安全性具有重要意义。在物联网设备数量激增的背景下，如何在不依赖大量标注数据的情况下实现设备的准确识别，成为了一个亟待解决的问题。CARN方法通过引入关系网络和跨注意力机制，能够在数据有限的情况下，有效提升模型的识别性能。此外，该方法还能够适应不同的传输环境和信道条件，为实际部署提供了更大的灵活性。

总的来说，本文的研究为少样本条件下的SEI任务提供了一种新的解决方案。通过结合度量学习和对比学习的优势，CARN方法在特征提取和分类过程中表现出更强的适应性和泛化能力。实验结果进一步验证了该方法的有效性，特别是在处理跨通道和未知发射源时，其识别性能显著优于传统方法。未来的研究可以进一步探索如何将CARN方法应用于更广泛的无线通信场景，并结合其他先进技术，如迁移学习和自监督学习，以提升其在复杂环境下的表现。