0 引 言
无人飞行器（UAV）因其成本降低和技术显著进步，在军事和民用领域得到了广泛应用［1］。但是其非法使用也对空域以及公共安全构成了多种威胁，例如非法毒品交易、侵犯隐私、扰乱航空秩序等［2］。因此，针对无人机等“低、慢、小”空中目标的高效探测与识别技术，已成为当前学术界与工业界共同关注的研究热点［3］。
传统的无人机识别方法主要基于人工特征提取，特征构建过程高度依赖领域经验，随着深度学习快速发展，现阶段大多结合深度学习和微多普勒特征［4-5］进行多旋翼无人机的分类，其中Zhang等人［6］使用双频段（K波段和X波段）雷达采集微多普勒数据集，通过主成分分析（PCA）融合特征，并结合支持向量机（SVM）对直升机、四旋翼、六旋翼无人机进行分类，准确率达94.7%。然而，PCA在提取微多普勒特征中的关键信息时易造成信息的损失［7］。Park等人［8］基于X波段雷达生成频谱图，使用ResNet-SP卷积神经网络（CNN）对无人机（四旋翼无人机、仿生鸟MetaFly和仿生鸟Disco）进行分类，准确率达到83.39%。邴政等人［9］结合卷积神经网络与集成学习对无人机与飞鸟分类识别，数据总规模约含4 000个无人机和5 000个飞鸟样本。
上述方法多基于较充分数据集开展研究。但在实际监测中，受非协作通信与复杂环境影响，往往难以获取足够的高质量数据，限制了传统方法的适用性。为缓解上述问题，研究者逐渐关注基于度量学习的范式，即通过学习特征间的相似性度量来辅助分类［10］。针对信号识别中的小样本挑战，Li等人［11］构建了端到端训练的深度最近邻神经网络，在小样本分类基准数据集上准确率提升了约17%。Liu等人［12］提出一种循环优化度量学习方法，通过构建基于几何代数图神经网络的正向与反向预测结构，并引入循环一致性损失与预测优化模块，在多个小样本分类任务中取得显著效果。
为了提高雷达无人机识别在小样本情景下的分类性能，本文提出一种融合多尺度特征增强和度量学习的小样本分类方法。特征提取模块在高效网络（EfficientNet）引入高效多尺度注意力（EMA）并行结构，融合局部卷积与跨空间依赖建模，增强特征表达效果。分类阶段引入基于局部描述子的度量学习策略，并结合K近邻算法实现支持集与查询集之间的细粒度匹配。为提升训练稳定性和模型泛化能力，本文进一步构建了交叉熵损失与原型损失的加权融合损失函数。该方法在小样本数据情景下有效提升了分类准确率。
1 回波信号预处理
旋翼无人机的叶片旋转作为一种周期性微动，会导致雷达回波中出现随时间变化的微多普勒频移，这种现象被称为微多普勒效应。该效应与无人机叶片的旋转速度、长度和数量等参数密切相关，通过分析微多普勒效应，可以捕捉到由叶片旋转引起的周期性频率变化，从而揭示目标的运动特性。在雷达信号处理中，短时傅里叶变换（STFT）是一种常用的时频分析方法，它通过滑动窗函数对信号进行局部截取，并对每段信号进行频谱分析，从而获得信号的时频分布。雷达接收到的基带信号可以表示为所有散射点回波的叠加：
式中，ai为第i个散射体的反射系数，ϕi(t)=4πRi(t)/λ为第i个散射体的相位调制项，η(t)为噪声。基带回波信号z(t)的短时傅里叶变换数学表达式为
式中，h(t)为短时傅里叶变换的窗函数，τ为窗函数移动的位置，ω为多普勒频率。
2 模型设计
本文所提出的EMLNet网络由特征提取模块和分类模块构成，整体结构如图1所示。
图1 整体网络模型结构
2.1 特征提取
由于本研究面向小样本雷达无人机数据场景，数据量有限，因此本文采用在小样本情况下具有良好表征能力的轻量级网络EfficientNet作为基础特征提取器。其采用复合缩放策略，在保持高精度的同时显著降低参数量和计算复杂度。然而，其核心模块MB卷积中集成的挤压与激励（Squeeze-and-Excitation，SE）注意力机制仅对通道维度进行加权处理，即通过全局池化（Global Average Pooling,GAP）建模通道间的关系，缺乏对空间信息的捕捉，导致其在局部特征表达上存在局限性，易在对无人机特征提取的过程中损失局部关键信息。
为了弥补上述缺陷，本文引入了EMA注意力机制，该模块通过构建由1×1和3×3卷积核组成的并行子网络，在不进行通道压缩的前提下，有效建模跨尺度的空间信息。EMA首先将输入特征划分为多个通道组，并在组内独立建模，以提升特征分布的均衡性与完整性，其每个子网络在各自尺度上生成注意力权重，随后通过跨空间的信息交互机制融合分支输出，从而实现局部细节增强与全局结构建模的协同优化，有效提升了模型在杂波背景下的识别性能。
另一方面，EMA模块在特征提取阶段所实现的局部增强效果，与分类阶段采用的基于局部描述子的匹配策略形成良好协同。前者有助于突出局部判别性区域的细粒度特征，后者则进一步利用这些区域间的局部相似性进行细致对比，两者在不同阶段共同强化了局部结构的建模能力。
此外，与SE模块需要使用全连接层和Sigmoid激活函数计算通道注意力不同，EMA模块不依赖全连接层，而是采用轻量卷积与全局池化，并结合矩阵点积构建位置间的响应关系，这使得EMA相比SE在参数量和计算量上具有更明显的优势。
2.1.1 EfficientNet
EfficientNet的核心思想是复合缩放策略（Compound Scaling），该策略通过在不同的维度（深度、宽度、分辨率）上进行统一的缩放，从而更均衡地提升模型准确率和效率［13］，其网络结构如图2所示。
图2 特征提取模块
在引入复合缩放之前，EfficientNet的基线网络结构可形式化表示为
其中：N表示整个卷积神经网络；⊙表示层的组合；Fi表示第i个网络阶段的模块结构；Li表示重复次数；输入特征张量X的尺寸为＜Hi,Wi,Ci＞，分别表示空间维度（高度和宽度）和通道数。
模型的目标是最大化准确率，并通过调整d,w,r优化模型结构：
式中，d,w和r分别表示网络深度、宽度和分辨率的缩放系数，各个维度的含义如下：
d（Depth Scaling）：增加网络层数，提高模型表达能力；
w（Width Scaling）：增加每层的通道数，提升特征表示能力；
r（Resolution Scaling）：增加输入图像的分辨率，提高细粒度信息。
为了避免三维搜索空间带来的巨大计算成本，EfficientNet引入了统一缩放因子ϕ，用幂函数统一控制3个维度的扩展：
式中，α、β、γ为手动设定的基础扩展系数，ϕ为可调的缩放因子。为了保持整体计算资源的可控性，需满足如下约束：
最终，使用复合缩放策略构建的网络结构为
为了确保网络的实际部署能力，在模型优化过程中需同时满足如下资源约束条件:
该约束条件表示：内存占用Memory(N)和计算量FLOPS(N)不超过目标值，这种约束优化可以平衡神经网络的性能和计算资源。
来自预训练的基线模型，依次分别表示为基准网络中预定义的第i层阶段、层操作、层重复次数、高度缩放、宽度缩放和通道数。通过精细调整模型的参数与计算量，优化其表现以符合给定的内存和浮点运算量限制，从而在保证高效的特征学习能力的同时，降低计算开销。
2.1.2 EMA
EMA模块在坐标注意力机制（Coordinate Attention，CA）的基础上，引入并行的1×1和3×3卷积分支以及2D全局平均池化操作，以同时建模空间与通道维度的多尺度依赖关系［14］。相较于CA模块沿水平与垂直方向分别执行1D全局池化编码位置信息，EMA通过二维空间建模增强上下文感知能力，在不引入通道压缩的前提下保留跨通道关键信息，从而在提升特征交互效率的同时，增强了模型对细粒度结构和多尺度上下文的表达能力。其结构如图3所示。
图3 EMA模块
设输入特征图为x∈ℝC×H×W，ℝ表示实数域，C、H、W分别表示输入的通道数、高度和宽度，xc表示第c个通道的输入特征图，xc(i,j)表示第c个通道特征图在空间位置(i,j)处的矩阵元素。
CA模块分别沿水平和垂直方向执行1D全局平均池化以编码方向性空间特征，其定义如下：
1）水平方向池化（沿列方向）：
2）垂直方向池化（沿行方向）：
其中，
，
分别表示沿列方向和行方向池化得到的通道注意力向量。相比之下，EMA模块通过二维全局平均池化捕获完整的空间上下文信息，其定义为
2.2 分类模块
传统的小样本度量学习方法通常将整幅图像编码为单一的全局特征向量，从而使用全局特征进行类别级别的距离度量，但是在无人机识别任务中，不同类型无人机的主要差异集中在旋翼微动及局部频率结构等细粒度特征上，因此只关注全局特征将会损失图像有区分度的局部信息，从而导致识别性能下降。
基于上述问题，本文在自设计的特征提取网络基础上，构建了基于局部描述子的非参数度量分类模块。该模块借鉴了文献［11］ 中提出的图像到类别匹配机制，结合KNN算法，采用基于局部描述子匹配的图像到类别度量方法，先通过特征提取网络提取出查询集的局部特征，再分别和每一类支持集图像提取出的局部特征向量做度量，从而充分利用局部特征信息，提升在微多普勒图等具有局部显著特征的任务中的分类效果。
需要指出的是，尽管分类模块结构上延续了文献［11］的匹配框架，但本文在训练目标上进行了改进。具体而言，引入Cross-Entropy Loss与Prototypical Loss的加权融合作为联合优化目标，以同时增强类别间的判别性与类别内的聚合性，从而进一步提升模型在小样本任务中的分类性能。
如图1的分类模块所示，支持和查询图像通过特征提取模块提取的局部特征描述子集合为
式中，xi表示第i个局部特征，C表示特征维度，m表示描述符数量，本文输入图像分辨率为224× 224，经特征提取网络提取后输出特征图尺寸为7× 7×1 280，因此每个局部特征维度C=1 280，每张图像包含m=49（m=H×W）个局部特征，其中H、W分别表示输出特征图的高和宽。对于每个查询集图像的局部特征描述子xi，在支持集类别c中找到其k个最近邻局部描述子
，k为预设的最近邻局部描述子数量，然后计算xi与每个最近邻
的余弦相似度：
将所有局部描述子之间的相似度进行求和，计算查询图像与类别c的总相似度得分：
式中，‖·‖表示向量的L2范数，q表示查询图像类别，c表示支持图像类别。
3 PCE Loss
为引导模型在小样本条件下兼顾类内特征聚合与类间判别，本文构建了融合Prototypical Loss与Cross-Entropy Loss的复合损失函数，以提升识别性能与泛化能力。
3.1 Prototypical Loss
Prototypical Loss是一种基于度量学习的小样本学习任务中的损失函数［15］，通过计算查询样本与各类别原型之间的距离，并使用softmax函数将其转化为分类概率，从而引导模型在嵌入空间中学习具有良好判别性的特征表示，设样本xi的特征表示为fϕ(xi)，类别c的原型向量pc计算为
式中，类别c的支持集
，包括nc个样本，对于K-Shot任务设置，nc=K，yi表示xi样本的类别标签。
对于查询样本xq，计算其特征表示与各类别原型之间的距离：
式中，
表示欧式距离的平方。
然后将距离通过softmax归一化为分类概率，查询样本属于第c类的概率为
式中，exp(·)表示自然指数函数，c'表示所有类别的索引。最终使用交叉熵损失对预测结果进行监督，定义Prototypical Loss为
3.2 Cross-Entropy Loss
交叉熵损失（Cross-Entropy Loss）是监督学习中常用的分类损失函数之一，其核心思想是通过最小化预测概率分布与真实标签分布之间的差异提升模型预测结果对真实标签的拟合能力。设模型对输入样本x的预测类别概率为
式中，fC(x)表示模型输出的logits向量，f(x)=[f1(x),f2(x),…,fC(x)]T中的第c个分量，即第c个类别的得分，且c∈{1,…,C}，表示特定的索引。对应的交叉熵损失函数定义为
基于两者的复合损失函数PCE Loss，定义为
式中，超参数α∈[0,1]，为权重系数，用于平衡两种损失在训练过程中的贡献，本文在α∈[0,1]范围内进行搜索，结果表明α=0.5时模型精度最优，故后续实验均固定α=0.5，复合损失如图4所示。
图4 复合损失结构图
Prototypical Loss强调样本在特征空间中向类别中心聚合，提升类内一致性；而CrossEntropy Loss则优化决策边界，提高类别区分能力。两者联合优化，有助于在小样本条件下构建既稳定又具备判别性的特征表示，从而提升整体分类性能。
4 实测数据和结果分析
4.1 数据集构成
DIAT-μSAT［16］数据集由印度浦那国防高级技术研究所（Defence Institute of Advanced Technology，DIAT）开发，图5展示了该数据集中6种不同无人机的时频图像。该数据集采用X波段连续波雷达采集，专用于低空小型空中目标的检测与分类，包含6类目标，总计4 849张微多普勒图像，微多普勒采样频率为10 kHz，每次实验持续3 s，离散傅里叶变换（DFT）变换点数为1 024。在进行短时傅里叶变换（STFT）时，选用汉明窗，窗长设置为256个采样点（对应25.6 ms），相邻窗口之间重叠200个采样点（约占78.1%，即20.0 ms）。该数据集采集于真实室外场景，未在消声室或模拟背景下进行采集，背景中自然包含由姿态变化、多视角采集和多目标同时运行引起的信号叠加与多路径效应等干扰成分。
图5 无人机时频图
4.2 实验设置
本文所有实验均在Pytorch框架下进行，处理器为Intel（R） Xeon （R） Gold 6132 CPU，并利用NVIDIA GeForce RTX 3090显卡加速训练。首先将数据集划分为两部分，其中3个类别用于训练，另外3个完全不重叠的类别用于测试，所有实验均围绕上述数据集上的C-way K-shot分类任务展开，其中C表示每个小样本学习任务（episode）中的类别数量，K表示每类的支持图像数量。具体而言，将在上述数据集上进行3-way 1-shot和3-way 5-shot分类任务。本文采用episode训练机制［17］，即采用小样本任务训练（episodic training）和测试（episodic evaluation）策略进行训练与测试。每个episode中，除了每个类别的K张支持图像，还会从每个类别中选择15张查询图像，例如在进行3-way 1-shot任务时，1个episode包含3张支持图像和45张查询图像。训练时所有谱图均先缩放再裁剪至224× 224，采用数据增强和正则化策略，通过随机调整亮度、对比度、饱和度、随机翻转减少过拟合带来的影响。鉴于小样本学习任务对样本数量的敏感性以及在未见类别上评估泛化能力的特殊性，本文从训练集中每类随机选取80张图像构建训练任务池，从测试集中每类随机选取20张图像构建测试任务池，训练阶段构建10 000个episodes，每个episode的批大小（Batchsize）设置为1，初始学习率设为5×10-4，使用Adam优化算法，测试阶段构建500个episodes，以所有episodes的top-1平均准确率为评估标准。
4.3 实验结果分析
4.3.1 特征可视化分析
为深入分析模型在小样本学习任务中对无人机的分类能力与特征区分表现，本文进行了测试阶段的混淆矩阵特征可视化，如图6所示。
图6 混淆矩阵可视化图
结果显示，在5-shot设置下，模型对3类目标的识别准确率均超过91%，分别为91.39%、92.29%和92.60%，表现出较强的判别能力。在1-shot设定下，模型仍然保持较高性能，准确率分别为83.83%、84.08%和86.55%，但整体精度相较5-shot略有下降，尤其在“仿生鸟”与“双叶片旋翼和仿生鸟”之间出现了一定混淆。该现象表明，在支持样本极少的情况下，模型在处理形态相似类别时的判别能力仍有限，因此增加支持样本数量有助于提升模型的鲁棒性和区分能力。
4.3.2 消融实验
为验证各个模块的有效性，本文进一步针对PCE Loss与EMA模块设计了如表1所示的消融实验。
表1 消融实验
网络模型 3-way 1-shot 3-way 5-shot准确率 准确率Base 72.5%80.7%Base+EMA 76.7%86.9%Base+ PCE Loss 77.8%85.5%Base+EMA+PCE Loss 84.1%91.7%
如表1所示，基线模型（Base）采用EfficientNet作为特征提取骨干网络，在1-shot和5-shot分类任务下，分别达到72.5%与80.7%的准确率。在引入PCE Loss后，准确率分别显著提升至77.8%和85.5%，这是因为该损失函数融合了原型距离监督（Lproto）与类别判别监督（Lce），在增强类内聚合性的同时，还增强了模型的类间判别能力。
此外，将EMA模块引入Base模型后，准确率分别提升至76.7%和86.9%，这是因为与仅关注通道维度的SE相比，EMA能同时编码通道与空间信息，并在多个感受野下进行融合，不仅有效提升了模型的判别能力，还减少了约3×105个参数量，实现了轻量化与特征表达能力的有效平衡。
当PCE Loss与EMA联合使用时，模型在两个设置下均取得最优性能（84.1%和91.7%），验证了两者在小样本学习任务中的协同增益效果。
4.3.3 不同网络对比结果分析
为验证本文方法在小样本无人机数据场景下的优越性，本文使用同样的数据集，相同的训练策略和分类方法，对不同特征提取网络进行了对比实验。为保证对比的公平性，除本文网络外，所有对比网络（Resnet50、VisionTransformer、Efficient-NetV2）均分别在标准交叉熵损失与本文提出的PCE Loss两种配置下进行训练与测试，并取两者中top-1平均准确率较高的一组作为该网络最终性能表现。对比结果如表2所示。
表2 不同网络对比实验
准确率网络模型 参数量 FLOPs 3-way 3-way 1-shot 5-shotResnet50［18］2.35×107 4.13×109 76.5%82.6%VisionTransformer［19］8.58×107 16.8×1010 82.6%86.5%EfficientNetV2［20］1.98×107 2.87×109 71.6%81.2%本文网络 3.7×106 8.8×108 84.1%91.7%
从不同网络对比的实验结果可以看出，相对于Resnet50、VisionTransformer和EfficientNetV2模型，本文模型在参数量仅为3.7×106、浮点运算量（FLOPs）为8.8×108的情况下，分别在1-shot和5-shot任务中实现了84.1%与91.7%的准确率，显著优于其他主流模型。
与ResNet50相比，本文模型参数量和计算量分别降低了约84.3%和78.7%，但在准确率上分别提升了7.6%（1-shot）和9.1%（5-shot）；而与轻量级的EfficientNetV2相比，本文模型的参数量进一步减少81.3%，FLOPs降低69.3%，准确率则分别提升了12.5%和10.5%。尽管VisionTransformer在准确率方面略高于ResNet50，但其模型参数高达8.58× 107，FLOPs达到1.68×1010，远高于其他模型，部署成本较高。此外，由于其对大规模训练数据的依赖性较强，在小样本场景下存在一定的限制性。
综上所述，本文所提出的模型在保持较低参数复杂度和计算成本的同时，还兼顾了优异的小样本无人机数据识别性能。
4.3.4 不同方法对比结果分析
为验证本文方法在小样本分类任务中的性能优势，本文在相同的数据集与小样本学习设置下，选取原型网络（Prototypical Network）［15］ 和匹配网络（Matching Networks）［21］作为对比实验的基准模型。Matching Network基于度量学习思想，通过计算支持集与查询集图像之间的相似性进行分类；Prototypical Network通过计算每个类别原型向量与查询样本之间的欧式距离进行分类。上述方法近年来在小样本学习领域中被广泛应用，具有较高的代表性与参考价值［22］。对比实验结果如表3所示。
表3 不同方法对比实验
准确率实验方法3-way 1-shot 3-way 5-shot 76.5%82.7%Matching Network Protypical Network 80.4%87.9%本文方法 84.1%91.7%
在1-shot和5-shot设置下，本文方法分别达到84.1%和91.7%的分类准确率，相比Matching Network和Prototypical Network均有显著提升。相较于两种方法所采用的全局特征表示与匹配策略，本文基于多尺度局部特征匹配的方法在特征表示和抗混淆性方面表现出了更强的性能优势，尤其是针对如雷达多普勒图这类全局结构差异较小、判别信息主要集中于局部区域的任务场景。对比结果表明，在同等小样本学习设置下，本文方法具备更强的特征表达能力与类间区分能力，能够在不同支持样本数量的情景下保持良好的分类效果。
5 结束语
本文提出了一种基于多尺度特征增强与度量学习的雷达无人机识别方法EMLNet，显著提升了小样本场景下的无人机识别性能。该方法以轻量化的EfficientNet为主干网络，引入EMA注意力机制，通过多尺度并行结构与跨空间依赖建模，有效提升了对多普勒图像的特征表达能力。同时，引入了局部特征匹配策略，实现了对支持集与查询集之间的细粒度相似性建模。为提升训练稳定性和模型泛化能力，所提方法进一步设计了PCE Loss，该损失函数融合了原型损失和交叉熵损失，在提升类间区分性的同时增强了类内聚合性。实验结果表明，EMLNet在小样本场景下显著提升了无人机识别的准确率，并在参数量和计算复杂度方面相较于其他网络表现出了明显优势。
［1］ 李德仁,龚江昆,闫军,等.基于雷达自动目标识别技术的反无人机雷达［J］.无线电工程,2024,54（4）:765-779.
［2］ 陈小龙,袁旺,杜晓林,等.多波段FMCW雷达低慢小探测数据集（LSS-FMCWR-1.0）及高分辨微动特征提取方法［J］.雷达学报,2024,13（3）:539-553.
［3］ 邓振华,陈小龙,薛伟,等.海空背景下低慢小目标探雷达多域多维特征建模与分析［J］.信号处理,2024,40（5）:801-814.
［4］ MANDAL P,ROY L P,DAS S K.Flying Objects Classification Based on Micro-Doppler Signature Data from UAV Borne Radar［J］.IEEE Geoscience and Remote Sensing Letters,2024,21:1-5.
［5］ ZHAO Yichao,SU Yi.Estimation of Micro-Doppler Parameters with Combined Null Space Pursuit Methods for the Identification of LSS UAVs［J］.IEEE Transactions on Geoscience and Remote Sensing,2023,61:1-11.
［6］ ZHANG Pengfei,YANG Le,CHEN Gao,et al.Classification of Drones Based on Micro-Doppler Signatures with Dual-Band Radar Sensors［C］//2017 Progress in Electromagnetics Research Symposium-Fall,Singapore:IEEE,2017:638-643.
［7］ ROJHANI N,SADEGHIBAKHI M,PASSAFIUME M,et al.Application of PCA and Unsupervised Deep Learning in Bird and Drone Discrimination Based on FMCW Radar Measurements［J］.IEEE Geoscience and Remote Sensing Letters,2024,21:1-5.
［8］ PARK D,LEE S,PARK S U,et al.Radar-Spectrogram-Based UAV Classification Using Convolutional Neural Networks［J］.Sensors,2021,21（1）:21010210.
［9］ 邴政，周良将，董书航，等.一种基于微多普勒和机器学习的无人机目标分类识别技术［J］.雷达科学与技术,2024,22（5）:549-556.
［10］ ZHOU Yongjing,LI Yonggang,ZHU Weigang.A Method for Few-Shot Radar Target Recognition Based on Multimodal Feature Fusion［J］.Sensors,2025,25（13）:25134162.
［11］ LI Wenbin,WANG Lei,XU Jinglin,et al.Revisiting Local Descriptor Based Image-to-Class Measure for Few-Shot Learning［C］//IEEE/CVF Conference on Computer Vision and Pattern Recognition,Long Beach,CA,USA:IEEE,2019:7260-7268.
［12］ LIU Qifan,CAO Wenming,HE Zhihai.Cycle Optimization Metric Learning for Few-Shot Classification［J］.Pattern Recognition,2023,139:109468.
［13］ TAN Mingxing,LE Q V.EfficientNet:Rethinking Model Scaling for Convolutional Neural Networks［C］//International Conference on Machine Learning,Long Beach,CA,USA:PMLR,2019:6105-6114.
［14］ OUYANG Daliang,HE Su,ZHANG Guozhong,et al.Efficient Multi-Scale Attention Module with Cross-Spatial Learning［C］//2023 IEEE International Conference on Acoustics,Speech and Signal Processing,Rhodes Island,Greece:IEEE,2023:1-5.
［15］ SNELL J,SWERSKY K,ZEMEL R.Prototypical Networks for Few-Shot Learning［C］//the 31st International Conference on Neural Information Processing Systems,Long Beach,CA,USA:NIPS,2017:4080-4090.
［16］ KUMAWAT H C,CHAKRABORTY M,RAJ A A B,et al.DIAT-μSAT:Small Aerial Targets’ Micro-Doppler Signatures and Their Classification Using CNN［J］.IEEE Geoscience and Remote Sensing Letters,2021,19:1-5.
［17］ GHAROUN H,MOMENIFAR F,CHEN Fang,et al.Meta-Learning Approaches for Few-Shot Learning:A Survey of Recent Advances［J］.ACM Computing Surveys,2024,56（12）:1-41.
［18］ HE Kaiming,ZHANG Xiangyu,REN Shaoqing,et al.Deep Residual Learning for Image Recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition,Las Vegas,NV,USA:IEEE,2016:770-778.
［19］ DOSOVITSKIY A,BEYER L,KOLESNIKOV A,et al.An Image Is Worth 16x16 Words:Transformers for Image Recognition at Scale［PP/OL］.arXiv,2020.https://arxiv.org/html/2010.11929v2.
［20］ TAN Mingxing,LE Q V.EfficientNetV2:Smaller Models and Faster Training［C］//Proceedings of the 38th International Conference on Machine Learning,Online:PMLR,2021:10096-10106.
［21］ VINYALS O,BLUNDELL C,LILLICRAP T,et al.Matching Networks for One Shot Learning［C］// International Conference on Neural Information Processing Systems,Barcelona,Spain:NIPS,2016:3630-3638.
［22］ WU Zeng,XIAO Zhengying.Few-Shot Learning Based on Deep Learning:A Survey［J］.Mathematical Biosciences and Engineering,2024,21（1）:679-711.