迁移学习生成对抗网络组合方法在小样本空间目标分类应用

姚嘉诚; 邓诗宇; 张楠; 康喆

doi:10.12404/j.issn.1671-1815.2508666

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (23) :9770-9775 DOI: 10.12404/j.issn.1671-1815.2508666

天文学、地球科学

迁移学习生成对抗网络组合方法在小样本空间目标分类应用

姚嘉诚 ¹^,² ,
邓诗宇 ¹^,³ ,
张楠 ¹ ,
康喆 ¹^,²^,^*

作者信息 +

Application of Transfer Learning Generative Adversarial Network Combination Method to Target Classification in Small Sample Space Object

YAO Jia-cheng ¹^,² ,
DENG Shi-yu ¹^,³ ,
ZHANG Nan ¹ ,
KANG Zhe ¹^,²^,^*

Author information +

文章历史 +

摘要

空间目标分类是空间态势感知与安全保障的核心技术,然而,由于高质量实测数据匮乏、类别分布不均衡及环境干扰等因素导致的小样本困境,传统深度学习模型的泛化性能存在明显不足。为突破这一瓶颈,提出迁移学习(transfer learning, TL)与生成对抗网络(generative adversarial networks, GAN)相结合的方法,充分发挥二者优势互补的特性:一方面,利用迁移学习为GAN提供预训练参数与特征先验,有效提升虚拟样本的生成质量;另一方面,通过GAN扩充的样本集优化迁移学习模型的微调过程,增强模型对目标领域的适配能力,并将其进一步应用于小样本空间目标光谱数据的分类研究中。利用上述方法对长春站1.2 m光电望远镜获取的空间目标光谱数据进行处理后,得到如下结果:基于样本迁移、特征迁移、样本与特征融合迁移的迁移学习-生成对抗网络方法,所生成数据与原始数据的相似度分别为81.97%、82.06%、84.85%,整体分类精度分别达到78.32%、78.41%、81.05%;与未添加生成数据的情况相比,分类精度分别提升2.25%、2.28%、2.08%。该方法不仅提高了学习效率,还显著提升了分类精度,为小样本空间目标分类提供了新的技术路径,也为空间态势感知系统的工程应用提供了理论与实践支撑。

Abstract

Space target classification is regarded as a key technology for space situational awareness and security assurance. However, the generalization performance of conventional deep learning models remains limited under the small-sample regime due to scarce high-quality measured data, imbalanced class distribution, and environmental interference.To overcome this bottleneck, a hybrid method combining transfer learning (TL) and generative adversarial networks (GANs) was proposed. In this method, pretrained parameters and feature priors were transferred to the GAN to improve the quality of synthetic samples. The sample set expanded by the GAN was used to optimize the fine-tuning process of the transfer-learning model and enhance the adaptability to the target domain.The method was applied to the classification of small-sample space-target spectral data. The spectral data acquired by the 1.2 m photoelectric telescope at Changchun Station were processed by the proposed method. The similarities between the generated data and the original data are 81.97%, 82.06%, and 84.85% for the sample-based, feature-based, and sample-feature-fusion TL-GAN methods, respectively. The overall classification accuracies are 78.32%, 78.41%, and 81.05%, respectively. Compared to the case without generated data, the classification accuracies are increased by 2.25%, 2.28%, and 2.08% respectively.The proposed method improves feature-learning efficiency and classification accuracy. A new technical route for small-sample space target classification is provided by this method, offering both theoretical and practical support for the engineering application of space situational awareness systems.

Graphical abstract

关键词

光学数据处理 / 光谱分析 / 模式识别 / 神经网络 / 多光谱和高光谱成像 / 机器视觉光学

Key words

optical data processing / spectral analysis / pattern recognition / neural networks / multispectral and hyperspectral imaging / machine vision optics

引用本文

引用格式 ▾

姚嘉诚, 邓诗宇, 张楠, 康喆. 迁移学习生成对抗网络组合方法在小样本空间目标分类应用[J]. 科学技术与工程, 2026, 26(23): 9770-9775 DOI:10.12404/j.issn.1671-1815.2508666

YAO Jia-cheng, DENG Shi-yu, ZHANG Nan, KANG Zhe. Application of Transfer Learning Generative Adversarial Network Combination Method to Target Classification in Small Sample Space Object[J]. Science Technology and Engineering, 2026, 26(23): 9770-9775 DOI:10.12404/j.issn.1671-1815.2508666

登录浏览全文

4963

注册一个新账户忘记密码

随着在轨航天器与空间碎片数量的持续增长,空间目标态势感知已成为保障航天器安全运行的重要任务。截至2025年底,美国Space Track公开编目的空间目标数量已突破3万个,其中约9 300个为在轨运行卫星。随着近地轨道目标密度不断攀升,空间目标观测、轨道维护及碰撞规避的复杂性也随之加剧,空间目标的精准识别已成为空间安全监测的关键环节^[1]。

目前,空间目标的观测手段主要分为雷达探测与光学观测两大类。相较于雷达探测,地基光学望远镜观测具有成本较低、覆盖范围广、可获取目标光谱信息等显著优势,是感知空间目标物理特征的重要途径^[2]。通过地基光学望远镜获取的空间目标高光谱图像,包含目标表面材质、形状轮廓、姿态变化等丰富的物理信息,为目标分类与识别提供了重要的数据支撑^[3-4]。

然而,在实际应用中,地基光学望远镜对空间目标的观测受到天气条件、大气湍流、轨道覆盖周期及望远镜资源等多重因素的制约,导致针对特定目标类别所能采集到的有效样本数量极为有限。在深度学习框架下,训练数据不足往往会使模型出现严重的过拟合现象,泛化能力大幅下降,难以满足实际分类任务的精度要求^[5]。同时,不同类型的空间目标(如通信卫星、导航卫星、气象卫星与轨道碎片等)的光谱曲线差异较小,而同一类目标受光照角度、观测几何、表面老化等因素影响,其光谱特征在不同时刻会呈现较大波动,这对分类任务造成了阻碍^[6-7]。此外,地基观测数据格式不统一、标注成本高等因素,也进一步增加了数据处理的难度。

针对小样本高光谱图像分类中训练样本不足与模型泛化能力有限的问题,近年来中外学者开展了大量研究工作。Liu等^[8]针对传统方法依赖闭集假设、难以识别未知类别的局限,提出基于多任务深度学习框架的方法,通过联合分类与重构任务提升特征表达能力,并结合极值理论实现未知类识别。在Salinas数据集上,该方法将总体精度由82.46%提升至87.40%,有效缓解了闭集假设带来的限制;Zhang等^[9]提出基于贝叶斯元学习的小样本高光谱分类方法,将类别原型表示为具有不确定性的概率分布,并通过后验推断进行估计,从而提高小样本条件下分类的稳定性。在Indian Pines数据集3-shot条件下,该方法总体精度达到81.26%,较DFSL(deep few-shot learning)+NN(neural network)提高17.21个百分点;在Salinas数据集5-shot条件下,总体精度达到95.94%;Braham等^[10]引入自监督学习策略,通过预训练学习通用特征,再迁移至小样本分类任务。在Pavia University数据集上,5-shot条件下分类精度由61.2%提升至80%以上,10-shot条件下提升至90%左右,显著增强了模型的泛化能力;针对标签噪声问题,Zhang等^[11]提出加权对比原型网络,通过加权原型与对比学习策略提升模型鲁棒性。在Indian Pines数据集40%噪声条件下,其分类精度仍保持在76%以上,相比对比方法在高噪声条件下精度下降幅度明显更小,体现出较强的抗噪能力;秦进春等^[12]提出了一种高光谱图像特征提取融合方法:首先通过构建单目深度估计模型实现高光谱图像的深度特征提取,然后采用滑动窗口策略提取多维特征,并在国际基准数据集上开展试验,结果表明该策略可显著提升小样本高光谱图像分类精度;此外,为解决FSOD(few-shot object detection)领域模型区分新类示例时受背景类判别性知识干扰的问题,张雅楠等^[13]提出BDKMR(background discriminative knowledge minimizing regulator)方法,通过引导分类器识别特有元素以及人为调整权重范数,有效降低了模型区分新类示例时所受的干扰程度。消融实验表明,该方法能显著减少背景类别对新类识别的干扰,提升模型性能。邓诗宇等^[14]针对恒星光谱分类问题设计了BECNN(bias estimination convolutional neuralwork)算法,与传统CNN(convolutional neuralwork)算法相比,在F、G、K、M型恒星光谱分类中的准确率分别提高了1.531%、0.678%、1.106%、0.201%。

针对空间目标光谱样本稀缺问题,提出迁移学习(transfer learning,TL)与生成对抗网络(generative adversarial networks,GAN)的组合方法(TLGAN)。旨在通过生成高质量合成数据扩充训练集以缓解小样本场景下模型学习困难的问题,利用该方法对目标光谱数据进行处理,通过对抗训练使目标域特征与源域特征不断接近,从而减小特征差异,使模型学习到共享特征以生成高质量的目标光谱数据。通过对长春站1.2 m光电望远镜获取的空间目标光谱数据开展实验,验证方法的有效性,为小样本空间目标光谱分类提供新的技术支持与参考。

1 空间目标光谱获取

1.1 空间目标光谱观测终端

利用中国科学院国家天文台长春人造卫星观测站的1.2 m光电望远镜搭载光谱相机的方式获取实验所需的空间目标光谱图像,该望远镜放置于吉林省吉林市大绥河镇吉林天文观测基地,该地具有较好的空间目标观测环境。1.2 m光电望远镜实物照片如图1(a)所示,其搭载一台口径为30 cm的导星镜。终端设备为光谱相机,如图1(b)所示。方案中通过选通液晶可调滤光器LCTF(liquid crystal tunable filter)波段将目标随波长分辨的像记录于sCMOS(scientific complementary metal-oxid-semiconductor)相机。另设一自制恒温陶瓷加热片保证光谱相机工作在15 ℃以上。LCTF、sCMOS相机、陶瓷加热片均通过USB接于望远镜平台设置的有源Hub之后,通过30 m中继线连接至控制室进行空间目标跟踪操作。

1.2 空间目标光谱提取

基于空间目标光谱观测方案通过观测北极星调整光路达到最佳状态,之后选择合适曝光时间采集不同空间目标的高光谱图像,选取同系列多个空间目标作为观测对象;在同一观测时间段和同一天区范围内,跟踪观测每个目标至少1个圈次。相机采用不同波段处滤光得到目标图像,下面仅列举空间目标在400、435、475、515、555、595、635、675、720 nm波长处的高光谱图像,如图2所示。

通过天文孔径测光方法,使用IRAF(image reduction and analysis facility)工具包绘制65张空间目标的谱线(波长范围:400~720 nm,步长间隔:5 nm),如图3所示。

2 迁移学习生成对抗网络组合方法

2.1 迁移学习

迁移学习包含两部分域(源域D_s、目标域D_t)和学习任务(源域T_s、目标域T_t),其主要目的在于用学习任务T_s训练源域D_s并应用于目标域D_t以及学习任务T_t中,以便提升后者的性能^[15]。迁移学习根据分类方式分为同构迁移学习、异构迁移学习,其中异构学习根据其标签形式分为监督迁移学习、半监督迁移学习和无监督迁移学习。迁移学习根据“如何学习”分为基于样本^[16](源样本权重)、基于特征^[17](源域与目标域的特征中共享的子空间)、基于关系^[18](源域中实体一部分规则)和基于模型^[19](源模型中知识的一部分),前三者属于数据层次,后者属于模型层次。本文中主要在数据层次,基于样本、特征进行研究。迁移学习基于样本层次以及特征层次的基本流程图,如图4所示。

2.2 生成对抗网络

深度学习中判别式机器学习方法(如神经网络、支持向量机、决策树)明确了类间的界限,而生成式机器学习方法可以对类间知识进行学习,因此可以生成相关样本。生成对抗网络^[20](generative adversarial networks,GAN)是一种极具应用价值的机器学习方法。它通过在对抗框架中对两个神经网络进行训练,从而提取输入数据的分布。单个神经网络的常规方法无法直接在GAN上运行,为解决该问题,采用同时训练两个神经网络的方法。GAN的两个神经网络被称为生成器G(generator)和鉴别器D(discriminator)。生成器与鉴别器进行零和博弈以达到纳什均衡^[21]。生成器尝试获取输入数据的基础数据分布形式,得以欺骗鉴别器;鉴别器是一个二进制分类器,它尝试检测当前样本是来自真实数据还是由生成器创建,即伪造数据,目标函数为

(1)

$\begin{array}{l}V(G,D)={\mathrm{E}}_{X~{p}_{x}}\left[\mathrm{l}\mathrm{g}D\right(X\left)\right]+\\ {\mathrm{E}}_{Z~{p}_{z}}\left(\mathrm{l}\mathrm{g}\right\{1-D\left[G\right(z\left)\right]\left\}\right)\end{array}$

式(1)中:G为生成器,将输入噪声Z映射为生成样本G(Z);D为鉴别器,对输入样本输出其判断为真的概率p;X为从真实数据分布中采样的真实样本;D(X)为鉴别器对真实样本的输出,目标趋近于1;Z为从先验分布中采样的随机噪声;D[G(Z)]为鉴别器对伪造样本的输出,目标趋近于0。

目标函数一部分强制鉴别器做出真实样本预测1,而另一部分强制鉴别器做出伪造样本预测0。生成器从潜在空间(z)创建逼真的样本。鉴别器和生成器均是可微分的神经网络结构,可以通过梯度下降法学习。生成对抗网络基本流程如图5所示。

2.3 迁移学习生成对抗网络

迁移学习生成对抗网络采用监督迁移学习,将空间目标光谱数据作为研究对象。

基于样本迁移学习生成对抗网络方法(sample transfer learning generative adversarial networks,STLGAN),标签为源数据的特性,判断目标数据的特性是否也存在。本方法适用于源数据有标签,但是目标数据无法直接使用,需要重新加权或是采样,权重大的数据被学习。

基于特征迁移学习生成对抗网络方法(feature transfer learning generative adversarial networks,FTLGAN),标签为源数据的特性,判断目标数据的特性是否也存在。本文方法适用于源数据与目标数据存在一定的特征表示,可转化为另一种数据映射形式而被学习。

基于样本与特征融合迁移学习生成对抗网络(mix transfer learning generative adversarial networks,MTLGAN),不仅具有学习标签信息的能力,还具有学习空间信息的能力。首先,将源域数据输入源域生成器提取特征并保留类别标签,同时将目标域光谱数据输入目标域生成器提取特征并保留目标域标签。随后,两生成器提取的特征共同输入判别器,通过对抗训练使目标域特征向源域判别性特征空间靠拢,减小域间分布差异。最终, 在源域与目标域标签共同约束下,学习得到共享特征并生成适用于空间目标分类的目标光谱数据表示。迁移学习生成对抗网络方法如图6所示。

3 实验过程与分析比较

空间目标光谱数据X₁、X₂、Y₁、Y₂、Z₁、Z₂均为可见光波段400~720 nm,步长间隔为2 nm,X₁和X₂、Y₁和Y₂、Z₁和Z₂均为三种系列的空间目标,大致处于同一天区范围,环境因素影响较小。

实验一:选择观测数据中同一系列空间目标X₁作为源域、X₂作为目标域,通过基于样本迁移学习生成对抗网络方法,生成X₃,如图7所示。相似度为81.972 4%,原理是两点间欧式距离。

实验二:选择观测数据中同一系列空间目标Y₁作为源域、Y₂作为目标域,通过基于特征迁移学习生成对抗网络方法,生成Y₃,如图8所示。相似度为82.062 7%。

实验三:选择观测数据中同一系列空间目标Z₁作为源域、Z₂作为目标域,通过基于样本与特征融合迁移学习生成对抗网络方法,生成Z₃,如图9所示。相似度为84.847 1%。

上述实验结果表明,基于样本与特征融合迁移学习生成对抗网络方法在小样本数据增加方面的效果较好,生成数据与原始数据相似度较高。

实验四:将X、Y、Z空间目标光谱数据交叉混合,进行验证分类精度。X₁、X₂、Y₁、Y₂、Z₁、Z₂以及X₃、Y₃、Z₃数量均为40,共进行5次实验,得出分类精度平均值如图10所示。

上述实验结果表明,增加一类数据后分类精度明显提升,再次验证了基于样本与特征融合的迁移学习生成对抗网络方法在小样本数据增加方面效果较好。

4 结论

少量空间目标光谱数据不利于开展空间目标特性分析,对空间目标态势感知构成极大挑战。基于数据层次迁移学习的生成对抗网络方法能较好地解决这一问题。在“如何迁移”的问题上,存在基于样本、特征、样本与特征融合关系三种方式。无论是生成数据与原始数据的相似性,还是增加生成数据组后的分类精度,样本与特征融合方式的表现均优于单纯的样本或特征迁移方式。提出了在样本数量较少时选择“如何迁移”方式的方法,可有效提高分类精度,为多类型小样本空间目标光谱分类提供了可行的参考思路,同时也为进一步开展高光谱图像-光谱一体化分析研究提供了参考。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Kessler D J, Cour-Palais B G. Collision frequency of artificial satellites: The creation of a debris belt[J]. Journal of Geophysical Research: Space Physics, 1978, 83(A6): 2637-2646.

[2]	Li Z, Wang X, Xu C, et al. Review of spectral characterization and identification of unresolved space objects[J]. Spectroscopy and Spectral Analysis, 2023, 43(5): 1329-1339.

[3]	Vasile M, Walker L, Dunphy R D, et al. Intelligent characterisation of space objects with hyperspectral imaging[J]. Acta Astronautica, 2023, 203: 510-534.

[4]	Vasile M, Walker L, Campbell A, et al. Space object identification and classification from hyperspectral material analysis[J]. Scientific Reports, 2024, 14: 1570.

[5]	Wang Y, Yao Q, Kwok J T, et al. Generalizing from a few examples: a survey on few-shot learning[J]. ACM Computing Surveys, 2020, 53(3): 63.

[6]	Bédard D, Wade G A. Time-resolved visible/near-infrared spectrometric observations of the Galaxy 11 geostationary satellite[J]. Advances in Space Research, 2017, 59(1): 212-229.

[7]	丁一高, 孙明国, 李振伟, 等. 阵列结构型空间碎片光电望远镜观测精度分析[J]. 科学技术与工程, 2019, 19(18): 25-31.

[8]	Ding Yigao, Sun Mingguo, Li Zhenwei, et al. Observational data analysis of space objects with space debris photo-electric telescope array[J]. Science Technology and Engineering, 2019, 19(18): 25-31.

[9]	Liu S, Shi Q, Zhang L. Few-shot hyperspectral image classification with unknown classes using multitask deep learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(6): 5085-5102.

[10]	Zhang J, Liu L, Zhao R, et al. A Bayesian meta-learning-based method for few-shot hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 5512215.

[11]	Braham N A A, Mou L, Chanussot J, et al. Self-supervised learning for few-shot hyperspectral image classification[C]// IGARSS 2022—2022 IEEE International Geoscience and Remote Sensing Symposium. Kuala Lumpur: IEEE, 2022: 267-270.

[12]	Zhang D, Ren Y, Liu C, et al. Weighted contrastive prototype network for few-shot hyperspectral image classification with noisy labels[J]. Remote Sensing, 2024, 16(18): 3527.

[13]	秦进春, 裴航, 刘冰, 等. 融合深度特征的高光谱图像小样本分类方法[J]. 测绘通报, 2025(11): 34-39.

[14]	Qin Jinchun, Pei Hang, Liu Bing, et al. Few-shot hyperspectral image classification with depth feature fusion[J]. Bulletin of Surveying and Mapping, 2025(11): 34-39.

[15]	张雅楠, 宋飞, 靳毅凡, 等. 基于最小化背景判别性知识的小样本目标检测算法[J]. 自动化学报, 2025, 51(7): 1525-1545.

[16]	Zhang Yanan, Song Fei, Jin Yifan, et al. Minimizing background discriminative knowledge for few-shot object detection[J]. Acta Automatica Sinica, 2025, 51(7): 1525-1545.

[17]	邓诗宇, 刘承志, 康喆, 等. 基于偏差估计卷积神经网络恒星光谱数据自动分类[J]. 科学技术与工程, 2021, 21(16): 6613-6618.

[18]	Deng Shiyu, Liu Chengzhi, Kang Zhe, et al. Automatic classification of massive stellar spectral data based on bias estimation convolutional neural network[J]. Science Technology and Engineering, 2021, 21(16): 6613-6618.

[19]	Pan S J, Yang Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2009, 22(10): 1345-1359.

[20]	Ma Y, Chen S, Ermon S, et al. Transfer learning in environmental remote sensing[J]. Remote Sensing of Environment, 2024, 301: 113924.

[21]	Zheng J, Wen Y, Chen M, et al. Open-set domain adaptation for scene classification using multi-adversarial learning[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2024, 208: 245-260.

[22]	Qiu C, Zhang X, Tong X, et al. Few-shot remote sensing image scene classification: Recent advances, new baselines, and future trends[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2024, 209: 368-382.

[23]	Zhu J, Wen C, Duan C, et al. Radar moving target detection based on small-sample transfer learning and attention mechanism[J]. Remote Sensing, 2024, 16(22): 4325.

[24]	Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]// Advances in Neural Information Processing Systems 27 (NIPS 2014). Red Hook: Curran Associates, Inc., 2014: 2672-2680.