17 / 2024-07-29 17:39:12

基于增量学习的高光谱目标识别方法

高光谱图像；高超声速目标；增量学习；光谱角理论

高超声速目标（Hypersonic Targets, HT）具备进入太空并迅速打击全球目标的能力，因而在近十年来备受关注。这类目标在临近空间飞行，具有高机动性和高速飞行的特点，使得传统的雷达和红外探测手段难以有效识别其类型和状态信息。由于高超目标在飞行过程中气动加热效应显著，形成的等离子体鞘套具备丰富的光谱特征，为高超目标的检测和分类提供了新的方向​​。随着空天竞争的加剧，新型高超目标不断涌现，研究如何在天基观测环境下快速、准确地识别这些目标成为亟待解决的挑战。

本文旨在提出一种基于增量学习的高光谱图像分类方法，以应对天基观测环境下高超目标识别的挑战。现有方法在处理高超目标识别问题时，难以满足快速适应新目标类别并同时保留对旧目标识别能力的需求。为此，本文设计并实现了一种结合DenseNet特征提取器和光谱角理论的增量学习模型，称为Spectral Angle Incremental Learning Method（SAILM）。

SAILM模型的设计包括以下几个关键方面：首先，采用DenseNet作为高光谱数据的特征提取器。DenseNet通过密集连接每一层到其后面所有层，确保了特征的复用性和梯度传递的有效性，适用于高光谱数据的多阶段增量学习。其次，基于光谱角理论设计了一种动态自适应分类器，通过计算光谱向量之间的夹角来度量相似性。这种方法对光谱曲线形状敏感，能够有效区分高超目标的高光谱特征。最后，提出了一种多阶段在线增量学习框架，包括数据管理和增量训练两个部分。通过静态化特征提取器和动态化分类器的方式进行任务学习，确保模型在有限的计算资源和存储空间下，快速适应新类数据并保持对旧类数据的识别能力。

实验结果验证了SAILM方法的有效性。实验使用了高超目标仿真数据集，包括16类典型飞行状态的高超目标，每类包含2000个样本。在初始阶段和四个增量阶段的实验中，SAILM方法不仅能够保持对旧目标的高识别精度，还能迅速适应并准确识别新增目标。总之，SAILM模型在多个增量阶段中均能保持较高的识别精度和模型稳定性，有效缓解了增量学习中的灾难性遗忘问题。

综上所述，本文提出的SAILM方法通过结合DenseNet特征提取器和光谱角理论，在解决高光谱数据分类中的灾难性遗忘问题方面取得了显著进展，并在天基观测环境下实现了高效的高超目标识别。实验结果证明了该方法的优越性，为高光谱数据的增量学习提供了新的解决方案。未来的研究方向包括进一步优化模型更新策略，提升增量学习过程中模型的效率和准确性，探索SAILM方法在其他高光谱图像分类任务中的应用效果，从而验证其在不同应用场景下的普适性。