融合视觉Mamba与散射拓扑的少样本SAR船舶识别方法

《Remote Sensing》：Few-Shot SAR Ship Recognition via Vision Mamba and Scattering Topology Fusion

　　

摘要

合成孔径雷达（SAR）船舶识别在少样本场景下面临诸多挑战，包括全局上下文建模不充分、物理散射拓扑特性利用不足以及在有限标注样本条件下泛化能力较差。为解决上述瓶颈，本文提出了一种融合视觉Mamba与散射拓扑的少样本SAR船舶识别新方法。创新性地构建了双分支互补架构，从两个异构视角学习判别性特征。视觉语义分支并行结合残差卷积与状态空间模型，能够同时捕获局部细粒度散射特征和长程全局结构依赖关系，突破了传统基于卷积神经网络（CNN）方案的固有局部感受野约束。散射拓扑分支创新性地引入了对提取强散射点的图建模，并利用图卷积网络（GCN）提取SAR船舶目标中固有的、被现有纯视觉学习方法所忽视的隐式物理结构先验。进一步设计了跨分支特征融合策略，聚合语义与拓扑表征，在数据稀缺条件下生成具有强类内紧凑性和类间可分性的鲁棒特征嵌入。在FUSARShip数据集上的实验验证表明，我们的方法在1样本和5样本任务中均取得了优于当前最先进方法的性能。