一种基于层级化元迁移的小样本雷达目标识别方法

1.本发明属于雷达目标识别技术领域，具体的说是涉及一种基于层级化元迁移的小样本雷达目标识别方法。


背景技术：

2.雷达目标识别技术是指利用雷达对目标进行探测，通过分析所捕获信息确定目标的种类、型号等属性的技术，在地形勘探及战场侦察等领域展现出很好的应用潜力。随着人工智能技术的发展，深度学习方法因其自动且强大的特征提取能力而受到研究者的广泛关注，推动了智能化雷达目标识别技术的产生与进步。然而，深度学习的模型训练往往依赖于大量的标记样本。受时效性约束和资源限制，获取大量的标记样本耗费巨大的人力、物力及时间成本。因此，在小样本场景下利用元学习进行知识共享，从而提升目标识别性能，是当前雷达目标识别技术领域的研究热点之一。
3.文献“guo j, wang l, zhu d, et al. sar target recognition with limited samples based on meta knowledge transferring using relation network[c]//2020 international symposium on antennas and propagation (isap). ieee, 2021: 377-378”提出一种基于对比学习的小样本雷达目标识别方法，通过构建神经网络来计算两个输入样本之间的距离来分析匹配程度，从而判断其是否属于同一类。在对未标记样本进行分类时，以距离最近的标记样本的标签作为预测标签。但是，这种方法需要将待测样本与每一个标记样本进行对比，计算繁琐且复杂度较高。为解决上述问题，文献“cai j, zhang y, guo j, et al. st-pn: a spatial transformed prototypical network for few-shot sar image classification[j]. remote sensing, 2022, 14(9): 2019”提出一种基于类别原子的小样本雷达目标识别方法，将每类标记样本的特征取平均作为类别原子，在对未标记样本分类时，只需将其特征和类别原子进行对比，从而降低计算复杂度，但该方法没有对样本特征和目标特征进行深度探索，生成的类别原子在小样本场景下很容易受离群样本的影响，存在质量差，稳健性差的问题，进而影响目标识别性能。同时，考虑到这些元学习方法只是寻求样本的相似度关系，在面对和训练任务不同的新任务时，模型无法优化实现知识的跨任务迁移。因此，研究基于层级化元迁移的小样本目标识别方法有望进一步提升目标识别性能。


技术实现要素：

[0004]
本发明的目的是，为克服上述不足，提供一种基于层级化元迁移的小样本雷达目标识别方法。本发明基于注意力机制提取特征，在特征级、样本级、和任务级上的层级化深度知识迁移，以寻求一个嵌入空间使得样本接近同类目标的类别原子，远离于其他类目标的类别原子。其中，在特征级设计了基于注意力机制的特征编码器，充分挖掘样本全局性的域不变特征，以克服样本在数据分布上的域差异问题；在样本级设计原子编码器，生成更加稳定的类别原子，以避免离群样本的影响；在任务级，设计元学习器累积训练任务的学习经
验迁移至新任务，培养模型跨任务知识迁移的能力，实现元迁移目标识别。因此本发明提出的基于层级化元迁移的小样本雷达目标识别方法是一种智能的目标识别方法。
[0005]
本发明的技术方案是：一种基于层级化元迁移的小样本雷达目标识别方法，包括以下步骤：s1、通过雷达获取各目标静态时在源域和目标域的原始图像，将对目标在不同方位角下进行观测得到的图像进行切割处理后得到样本；s2、利用样本构建训练任务，其中p是任务总数，任务包括支撑集和查询集，其中支撑集是从源域中抽取标记样本构成，查询集是从目标域中抽取标记样本构成；s3、通过层级化元迁移模型进行训练学习，对元学习器进行更新，具体为：s31、在特征级构建基于注意力机制的特征编码器，利用元学习器对特征编码器进行初始化后，提取中支撑集和查询集的深度全局性特征；s32、在样本级构建基于注意力机制的类别原子编码器，利用元学习器对类别原子编码器进行初始化后，基于获得的支撑集样本的深度全局性特征计算的类别原子，根据支撑集样本和不同类别原子的距离获得对应样本归属于不同类的概率，再根据概率设计并最小化类别原子损失函数，以此更新类别原子编码器和类别原子；s33、在任务级累计当前训练任务的学习经验，更新元学习器：根据查询集样本的深度全局性特征和不同类别原子的距离，获得对应样本归属于不同类的概率，根据概率设计元学习器损失函数，最小化该损失函数对元学习器进行更新，获得更新后的元学习器；s4、通过重复步骤s3完成所有训练任务，获得所有元训练任务训练出的元学习器，记训练出的元学习器为；s5、记待测任务的标记样本为支撑集，未标记的待测样本为查询集；利用s4获得的元学习器进行初始化得到目标识别用特征编码器和类别原子编码器，利用目标识别用特征编码对支撑集和查询集样本提取深度全局性特征；利用目标识别用类别原子编码器基于支撑集深度全局性特征计算并更新类别原子，利用距离函数计算查询集中待测样本的深度全局性特征和不同类别原子的距离，选取距离最近的类别原子的标签作为待测样本的预测标签，得到识别结果。
[0006]
进一步的，步骤s2中，所述支撑集是通过k way n shot形式在源域中抽取标记样本构成，定义为，k way n shot指的是对k类目标每个类别随机抽取n个标记训练样本，是第k类目标的第n个样本；查询集是通过k way n shot的形式在目标域抽取标记样本构成，定义为，其中，是第k类目标的第m个样本；支撑集和查询集中的样本是相同类别目标在不同域中的样本，定义对应的类别标签为，其中，。
[0007]
进一步的，步骤s31中，所述特征编码器包括一个神经网络模块和注意力机制模块，提取深度全局性特征的具体方式为：通过神经网络模块对样本提取泛化特征；将泛化特征分块并拉直成向量，每个向量的维度是，记为，其中，r是分块的个数，添加一个同维度的可学习向量代表整个样本的全局特征，记嵌入可学习信息后的特征为，；将特征分别进行变换处理降维到不同的维嵌入子空间：维嵌入子空间：维嵌入子空间：其中，是不同的变换矩阵，是不同嵌入子空间中的变换特征，利用注意力机制处理获得全局性特征；将全局性特征经过线性映射变回维，采用残差结构和特征进行结合得到；通过全连接层将特征先映射到高维空间，记高维空间的维数为维，再映射回维的低维空间，得到深层特征，与特征采用残差结构进行结合
得到深度全局性特征，，将可学习向量取出作为对应样本的深度全局性特征；对于任务，利用特征编码器对任务的支撑集和查询集进行特征编码得到：，，其中，， 分别是任务支撑集和查询集的深度全局性特征，并且。
[0008]
进一步的，步骤s32中，所述更新类别原子编码器和类别原子的具体方法为：利用s31中提取的支撑集深度全局性特征，将分别进行变换处理降维到不同的维嵌入子空间：维嵌入子空间：其中，和是不同的变换矩阵，和是不同嵌入子空间中的变换特征，利用注意力机制得到样本级全局性特征；将样本级全局性特征经过线性映射变回维，采用残差结构和深度全局性特征进行结合得到；通过全连接层先将特征映射到维的高维空间，再映射回维的低维空间，得到深层特征，与特征采用残差结构进行结合得到样本级深度全局性特征，；对样本级深度全局特征取平均，得到样本级类别原子：
利用类别原子编码器基于得到的支撑集样本的深度全局性特征计算任务中所有的类别原子并表示为，其中 ；根据获得的任务支撑集样本的深度全局性特征和获得的不同类别原子的距离，获得样本被判定为类别k的概率为：其中，是距离函数；根据概率设计并最小化类别原子损失函数：对类别原子编码器进行更新，记更新后的模型为，更新后的类别原子为，其中，。
[0009]
进一步的，步骤s33中，更新元学习器的具体方法为：根据获得的任务查询集样本的深度全局性特征和获得的不同类别原子的距离，获得样本被判定为类别k的概率为：根据概率设计元学习器损失函数：
其中，margin是设置的阈值， 是平衡参数，通过最小化损失函数对元学习器进行更新，获得更新后的元学习器。
[0010]
本发明的有益效果是：本发明针对小样本目标识别场景，在特征级充分挖掘样本的全局特征，在样本级充分探索同类目标不同样本的稳健性特征，在任务级设计元学习器有效累积不同任务的学习经验。通过特征级、样本级和任务级的层级化学习，提升了特征信息的质量，降低离群样本的负面影响，培养了模型的自主学习能力，进而提高了小样本目标识别技术的鲁棒性。本发明提出的基于层级化元迁移的小样本雷达目标识别方法是一种智能的雷达目标识别方法。
附图说明
[0011]
图1为本发明的算法流程图。
[0012]
图2为背景技术方法和本发明方法的识别准确率对比图。
具体实施方式
[0013]
下面结合附图及实施例，详细描述本发明的技术方案：如图1所示，本发明设计了一种基于层级化元迁移的小样本雷达目标识别方法，包括特征级，样本级和任务级。针对每个元训练任务，在特征级，采用注意力机制构建特征编码器以提取单个样本中更重要的特征；在样本级，采用注意力机制构建原子编码器，通过整合同类目标不同样本的信息生成高质量的类别原子作为对应类别的代表性信息。在任务级，构建元学习器，通过累积不同元训练任务的学习经验，获得自主学习能力。在面对新的待测任务时，基于少量标记样本，进一步优化训练好的的元学习器，生成高质量的类别原子用于目标识别。将待测样本和类别原子进行对比，选取相似度最高的类别原子的类别作为测试样本的预测类别，完成对测试样本的识别。
[0014]
实施例：本例是基于本发明内容方法的实际应用方式，在实际应用中，在建立特征编码器和类别原子编码器的时候进行同步初始化以使其能更快的进行处理。
[0015]
步骤1. 在源域和目标域中分别采集原始图像样本并进行预处理，初步筛除目标
背景的冗余信息，为训练模型做准备。
[0016]
由雷达获取各目标静态时的不同俯仰角下的原始图像，每个固定的俯仰角下，对该目标在不同的方位角下进行观测。将获取的图像根据俯仰角的不同记为源域和目标域，并对其进行切割预处理。
[0017]
步骤2. 利用样本构建训练任务，每个任务包括支撑集和查询集，用以训练具有自主学习能力的目标识别模型。
[0018]
记一个k分类任务为，构建所有元训练任务并记为，其中，p是任务总数。针对任务，以k way n shot形式在源域中抽取标记样本构成支撑集并记为，其中，k way n shot指的是对k类目标每个类别随机抽取n个标记训练样本，是第k类目标的第n个样本；以k way m shot的形式在目标域抽取标记样本构成查询集并记为，其中，是第k类目标的第m个样本。支撑集和查询集中的样本应是相同类别目标在不同域中的样本，记对应的类别标签为，其中，。
[0019]
步骤3、为从不同任务中累积学习经验，培养模型自主学习的能力，通过层级化元迁移模型进行训练学习，对元学习器进行更新，层级化元迁移模型是由特征级、样本级和任务级构成，具体为：步骤31. 在特征级设计特征编码器对步骤2中获得的训练任务的支撑集和查询集分别提取特征，以探索样本深层信息用于识别。
[0020]
进一步地，所述步骤31的具体步骤为：步骤31-1. 在特征级设计特征编码器，该特征编码器包含一个神经网络模块和注意力机制模块，神经网络模块具备强大的特征提取能力，可挖掘样本的深层特征，注意力机制模块则是为了使模型有选择地关注样本中的重要信息，提高模型信息处理的效率。利用当前元学习器中的特征提取器对其进行初始化：；步骤31-2. 采用神经网络模块和注意力机制提取样本的深度全局性特征，具体步骤如下：
步骤31-2-1. 利用卷积神经网络模块对支撑集样本提取泛化特征，为了清楚的表示，将支撑集样本表示符号简写为，提取特征过程如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）步骤31-2-2. 将步骤31-2-1得到的样本泛化特征分块并拉直成向量，每个向量的维度是，将所有向量记为，其中，r是分块的个数。为了有效整合分块特征中信息，添加一个同维度的可学习向量代表整个样本的全局特征，记嵌入可学习信息的特征为，；步骤31-2-3. 为进一步筛除冗余信息，对步骤31-2-2得到的特征分别进行变换处理降维到不同的维嵌入子空间：
ꢀꢀꢀꢀꢀ
（2）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀꢀ
（4）其中，是不同的变换矩阵，是不同嵌入子空间中的变换特征，利用注意力机制处理获得全局性特征：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）步骤31-2-4. 为缓解梯度消失，对步骤31-2-3得到的全局性特征经过线性映射变回维，采用残差结构和步骤31-2-2得到的特征进行结合：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）步骤31-3. 由于高维空间的信息更加丰富，采用一层全连接网络将步骤31-2得到的特征映射到高维空间，记高维空间的维度是维，再利用一层全连接网络映射回原来的维度维，每层全连接层后面采用激活函数进行处理，以学习获得更加抽象的深层特征，增强信息的表达能力。为避免梯度消失问题，将其和步骤3-2得到的特征采用残差结构进行结合得到深度全局性特征：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）其中，。将对应的可学习向量取出作为对应样本的深度全局性特征；步骤31-4. 对任务的支撑集和查询集进行特征编码：，，其中，， 分别是任务支撑集和查询集的深度全局性特征，并且。
[0021]
步骤32. 在样本级设计基于注意力机制的类别原子编码器并在当前训练任务上更新，计算更新后的类别原子，从而提供可靠的代表性信息用于目标识别。
[0022]
进一步地，所述步骤32的具体步骤为：步骤32-1. 针对任务，在样本级设计类别原子编码器，并且利用当前元学习器中的类别原子编码器对其进行初始化：；步骤32-2. 利用步骤32-1获得的类别原子编码器对步骤31获得的支撑集样本的深度全局性特征计算任务的类别原子，具体步骤如下：步骤32-2-1. 为去除冗余信息，在不同嵌入子空间中探索样本的深层特征，对支撑集样本深度全局特征分别进行变换处理降维至维：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（8）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）其中，是不同的变换矩阵，是不同嵌入子空间中的变换特征，利用注意力机制探索样本级全局性特征：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（10）步骤32-2-2. 为缓解梯度消失，对步骤32-2-1得到的样本级全局性特征经过线性映射变回维，采用残差结构和步骤31得到的支撑集深度全局性特征进行结合：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（11）步骤32-2-3. 由于高维空间的信息更加丰富，采用一层全连接网络将步骤32-2-2得到的特征映射到维的高维空间，再利用一层全连接网络映射回原来的维度维，每层全连接层后面采用激活函数进行处理，以学习获得更加抽象的深层特征，增强信息的表达能力。为避免梯度消失问题，将其和步骤32-2-2得到的特征采用残差结构进行结合得到样本级深度全局性特征：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（12）其中，；步骤32-2-4. 对步骤32-2-3得到的样本级深度全局特征取平均，得到样本级注意力机制探索后的类别原子：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）步骤32-2-5. 计算任务中所有的类别原子并表示为，其中 ，对应步骤32-2-1至步骤32-2-4的处理流程。
[0023]
步骤32-3. 计算步骤31获得的任务支撑集样本的深度全局性特征和步骤32-2获得的不同类别原子的距离，进一步获得样本被判定为类别k的概率为：
ꢀꢀ
（14）
其中，是距离函数。
[0024]
步骤32-4. 根据概率设计并最小化类别原子损失函数，以此更新类别原子编码器和类别原子，具体步骤为：步骤32-4-1. 设计如下损失函数，使得样本被判定为类别k的概率尽可能的大，以获取具有识别能力的模型。最小化该损失函数，对类别原子编码器进行更新：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（15）步骤32-4-2. 记更新后的模型为，更新后的类别原子为，其中，。
[0025]
步骤33. 在任务级累积当前训练任务的学习经验，更新元学习器为，以使元学习器具备自主学习能力来应对新的目标识别任务，进一步地，所述步骤33的具体步骤为：步骤33-1. 计算步骤31获得的任务查询集样本的深度全局性特征和步骤32获得的不同类别原子的距离，进一步获得样本被判定为类别k的概率为：
ꢀꢀꢀ
（16）其中，是距离函数；步骤33-2. 根据概率设计元学习器损失函数，最小化该损失函数对元学习器进行更新，获得，具体步骤为：步骤33-2-1. 根据步骤33-1获得的分类概率设计元学习器分类损失函数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（17）步骤33-2-2. 为了提高样本的可分性，提升模型的识别性能，模型训练还采用对比损失作为损失函数，定义如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（18）其中，
ꢀꢀ
（19）其中，margin是设置的阈值。该约束可以减小样本特征与对应类别原子之间的距离，增大与其他类别原子之间的距离并使其尽可能的大于所设置的阈值；步骤33-2-3. 将步骤33-2-1和步骤33-2-2的损失函数结合获得总的元学习器损失函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（20）其中， 是平衡参数。最小化元学习器损失函数对元学习器进行更新，获得在任务上更新后的元学习器，从而累积在任务的学习经验。
[0026]
步骤4. 更新，重复步骤3直至完成所有训练任务上完成多次训练，获得所有元训练任务训练出的元学习器。
[0027]
步骤5. 记待测任务的标记样本为支撑集，未标记的待测样本为查询集。利用步骤4获得的元学习器对待测样本进行识别，进一步地，所述步骤5的具体步骤为：步骤5-1. 基于在训练任务上累积的学习经验处理待测任务，根据步骤31对待测任务模型进行初始化，并对支撑集和查询集样本提取深度全局性特征。
[0028]
步骤5-2. 根据步骤32对待测任务模型进行初始化，利用支撑集计算并更新类别原子；步骤5-3. 利用距离函数计算查询集待测样本的深度全局性特征和不同类别原子的距离，选取距离最近的类别原子的标签作为待测样本的预测标签，得到识别结果。
[0029]
仿真示例：
采用实施例模型对运动和静止目标获取与识别mstar数据集进行实验，该数据集的传感器采用的是高分辨率的聚束式合成孔径雷达，采用hh极化方式，在x波段工作，分辨率为0.3m
×
0.3m。该数据大多是静止车辆的sar切片图像，共包含十类目标，分别是bmp2、 t72、btr70、2s1、brdm2、btr60、d7、t62、zil131、zsu234和t72，取其中的7类目标构成元训练任务，剩余的3类目标构建待测任务。以俯仰角17
°
观测的样本数据为源域样本，俯仰角15
°
观测的样本数据为目标域样本，实验中的具体样本数目如表1所示。
[0030]
表 1 实验数据具体数目为去除背景杂波的影响，将样本图像大小以中心切割为64
×
64。本案例采用的3分类任务，即每个元训练任务和待测任务均包含三类目标。对于元训练任务，随机选取7类目标中的3类组成元训练任务，针对小样本目标识别，以3way 5shot的形式随机在源域抽取样本构成任务的支撑集，也就是在源域中对该任务的3类目标每类随机抽取5个样本；以3 way 15 shot 的形式在目标域随机抽取样本构成的查询集，也就是对该任务的3类目标每类随机抽取15个样本。对于元训练任务，支撑集和查询集中的样本都是标记样本。以类似的方式对待测目标类别随机抽取样本构成待测任务，其中支撑集来自源域，为俯仰角17
°
观测的标记样本，查询集来自目标域，为俯仰角15
°
观测的待测样本。另外，本案例还仿真了不同噪声环境下的目标域样本，对待测任务中查询集的待测样本随机选取一定百分比的像素，并通过用独立的服从均匀分布的样本替换其像素点的强度来破坏像素，添加的随机噪声服从的均匀分布，其中，是图像中像素点中的最大值。选取的像素比例分别为0%，5%和15%，分别代表不同噪声环境下的目标域，其中，0%表示原有数据集中的俯仰角15
°
观测样本构建的待测样本。
[0031]
本发明针对小样本目标识别设计了不同噪声环境下的实验来验证提出算法的优越性，分别对比了背景技术方法和本发明方法对待测任务的识别结果。实验中特征编码器的神经网络模块由四层卷积层组成，每层卷积层后均采用最大池化运算来缩减模型的大小，提高计算速度，表2展示了每层卷积层及池化运算的详细参数，包括卷积核的尺寸，卷积时的步长，填充的尺寸以及池化窗的尺寸。此外，实验中其他参数具体设置为：，，以及margin =200。采用200个元训练任务进行训练，采用1000个待测任务的平均识别率为算法性能的量化指标。随着目标域噪声水平的增大，背景技术方法均产生了不同程度的明显下降，其中，背景技术方法1在0%和15%的噪声环境下的识别准确率分别为77.43%和71.66%，背景技术方法的识别准确率为71.67%和68.1%，而本发明方
法仍能保持较高的识别率，在0%，5%和15%噪声环境下的识别准确率分别为83.86%， 82.24%， 和81.92%，具有明显优势。综上所述，实验结果证明了本发明有效地在小样本目标识别场景下探索了样本的深度全局性特征，培养了模型的自主学习能力，建立了更加稳定的元学习模型，提升了目标识别性能。
[0032]
表2 实验参数设置