Polarimetric Scattering-Structure Contrastive Learning for Few-Shot HRRP Recognition

📄 arXiv: 2611.04490v1 📥 PDF

作者: Fangyi Wang, Peng Zhao, Haipeng Wang

分类: cs.CV

发布日期: 2026-11-03

💡 一句话要点

提出极化散射结构对比学习以解决少样本高分辨率HRRP识别问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 极化散射 对比学习 少样本学习 高分辨率识别 模式识别 机器学习

📋 核心要点

  1. 现有的少样本HRRP识别方法在处理视角依赖变化和新类别支持稀疏性方面存在显著挑战。
  2. 本文提出的PSS-CL方法通过极化散射结构对比学习，增强了HRRP编码器的训练效果，提升了识别性能。
  3. 在跨视角实验中，PSS-CL在1-shot、3-shot和5-shot识别中分别实现了81.73%、86.92%和90.98%的平均类别准确率，显著优于现有方法。

📝 摘要（中文）

少样本高分辨率范围轮廓（HRRP）识别面临强烈的视角依赖变化和稀疏的新类别支持问题。本文提出极化散射结构对比学习（PSS-CL），为情景HRRP编码器提供结构化的物理训练视图。通过对典型极化机制、归一化范围位置和能量贡献的软相似度表示主导局部响应。对称的跨视图目标将这种散射结构转移到学习的HRRP表示中，而情景原型学习则支持无物理分支的新类别推断。我们在六类测量数据集上进行了随机视角和跨视角实验。在跨视角1、3和5-shot识别中，PSS-CL分别达到了81.73%、86.92%和90.98%的平均类别准确率（MCA），超越了最佳竞争结果5.62%、3.09%和3.56%。

🔬 方法详解

问题定义：本文旨在解决少样本高分辨率范围轮廓（HRRP）识别中的视角依赖性变化和新类别支持稀疏性的问题。现有方法在这些方面表现不佳，导致识别准确率低下。

核心思路：论文提出的PSS-CL方法通过引入极化散射结构对比学习，利用物理特性增强HRRP编码器的训练过程，从而提高模型对新类别的识别能力。

技术框架：PSS-CL的整体架构包括三个主要模块：极化散射结构表示、对称跨视图目标和情景原型学习。首先，通过极化散射结构表示主导局部响应；然后，利用对称目标将散射结构转移到HRRP表示中；最后，通过情景原型学习支持新类别推断。

关键创新：PSS-CL的核心创新在于将极化散射结构引入对比学习框架中，形成了一种新的训练视图，显著提升了模型对新类别的适应性，与传统方法相比具有本质区别。

关键设计：在设计中，采用了软相似度度量来表示局部响应，并通过对称损失函数来优化散射结构的学习。此外，网络结构经过精心设计，以确保在少样本情况下仍能有效学习特征。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在跨视角实验中，PSS-CL在1-shot、3-shot和5-shot识别中分别达到了81.73%、86.92%和90.98%的平均类别准确率，较最佳竞争结果分别提升了5.62%、3.09%和3.56%，显示出显著的性能优势。

🎯 应用场景

该研究具有广泛的应用潜力，尤其在军事侦察、无人驾驶、安防监控等领域，能够有效提升目标识别的准确性和可靠性。未来，PSS-CL方法还可扩展至其他类型的信号处理和模式识别任务，推动相关技术的发展。

📄 摘要（原文）

Few-shot high-resolution range profile (HRRP) recognition is challenged by strong aspect-dependent variation and sparse novel-class support. We propose polarimetric scattering-structure contrastive learning (PSS-CL), which supplies an episodic HRRP encoder with a structured physical training view. Dominant local responses are represented by their soft affinities to canonical polarimetric mechanisms, normalized range locations, and energy contributions. A symmetric cross-view objective transfers this scattering structure to the learned HRRP representation, while episodic prototype learning supports novel-class inference without the physical branch. We conduct Random-aspect and Cross-aspect experiments on a six-class measured dataset. In Cross-aspect 1-, 3-, and 5-shot recognition, PSS-CL achieves 81.73%, 86.92%, and 90.98% mean class accuracy (MCA), respectively, outperforming the best competing results by 5.62%, 3.09%, and 3.56%.