《飞机智能识别：战斗识别从分类转向相似性学习》

低分辨率遥感影像中的精确航空器识别是航空领域尤其是战斗识别中一项极具挑战性的关键任务。本研究提出一种创新、可扩展且基于人工智能的解决方案，旨在解决已知机型与新型/未知机型协同精准识别这一核心难题。传统方法（人类专家主导的作战识别与图像分类）在新型类别识别方面存在显著局限。本方法通过相似性学习技术，实现对广泛军用与民用航空器特征的深度解析，结合度量学习实现机型身份辨识，并利用监督式小样本学习完成机型分类。针对低分辨率遥感数据稀缺的挑战，本研究设计了一种端到端框架：通过全监督方式训练通用嵌入模型，自适应军事航空器识别的多样性与复杂性需求。与既有航空器图像分类方法相比，本研究方案在机型分类（F1分数达0.861）与新型类别二分识别（F1分数达0.936）方面均展现显著优势。该方法有效应对遥感数据固有挑战，为数据集质量设定了新标杆。该研究为领域专家开辟了新路径，展现了区分多类型航空器的独特能力，为实时航空器识别提供了更鲁棒、领域自适应的技术潜力。

图 1. 从左到右的流程图显示：a) 传统的 CID，b) 图像分类和 c) 智能已知和新飞机识别（INNAR），以找到已知和新类别

本文在飞机识别和战斗识别方面做出了以下重大贡献：

1. 引入了一种新方法来自动实现 CID。

2. 引入了一个新的、更好的数据集版本--MTARSI-INNAR，在识别 MTARSI 数据集中的错误并执行有领域专家参与的严格数据清理过程后，推进了自动 CID 开发和评估。

3. 提出的 INNAR 是一种创新方法，可高精度区分已知（友）类和新（敌）类，以增强 CID 的适应性。它利用最先进的卷积网络和相似性学习，通过图像三元组构建稳健且可通用的特征表示。

4. 验证了图像分类在原始高噪声 MTARSI 数据集上做出了非常高准确率的虚假承诺，并提出将飞机识别和战斗识别转移到相似性和少数镜头学习上。