雷达学报

当前目录

• 基于多源信息跨域学习的SAR图像目标检测技术研究进展与展望

  周正, 赵凌君, 何奇山, 孙忠镇, 计科峰, 匡纲要

  深度学习虽已成为合成孔径雷达(SAR)图像目标检测领域主流方法，但其性能高度依赖于大规模标注数据集。在测试不同分布的SAR数据时，模型的检测性能会出现一定程度下降，难以直接迁移应用，且人工标注成本高昂。针对此瓶颈，学术界开始探索基于多源信息的跨域学习策略，通过整合不同来源(传感器)的光学遥感图像或异源SAR图像等先验信息，辅助检测模型实现跨域知识迁移。该文聚焦深度学习框架下的跨域学习技术，系统梳理该领域最新研究进展，分析该领域的核心问题，从方法论层面分析现有技术的核心优势与适用场景，并基于技术演进规律提出未来发展方向，旨在为提升SAR图像目标检测的泛化能力提供理论支撑与方法论参考。

• 基于视觉语言模型的SAR图像目标解译综述

  王君宇, 孙浩, 黄启灏, 计科峰, 匡纲要

  合成孔径雷达(SAR)在军事和民用领域应用广泛，SAR图像目标智能解译是SAR应用的重要组成部分。视觉语言模型在SAR目标解译过程中发挥了关键作用，通过引入自然语言理解有效弥补了SAR目标特性差异大和高质量标注样本稀缺的挑战，实现了从纯视觉解译到目标语义理解的发展。该文结合团队在SAR目标解译理论、算法及应用等方面的长期研究积累，对基于视觉语言的SAR图像目标智能解译进行了全面回顾和综述，深入分析了现有挑战和任务并总结了研究现状，汇总整理了公开数据集，系统梳理了从特定任务的视觉语言模型到对比式、对话式和生成式视觉语言模型和基础模型的发展历程，最后探讨了该领域的最新挑战与展望。

• DGS-CapNet：基于空间-频率感知的SAR图像描述模型

  张金琪, 庄迪, 张腊梅, 邹斌, 董洪伟, 司凌宇, 孟庆彪, 吴有明

  合成孔径雷达(SAR)作为一种主动微波遥感系统，具有“全天时、全天候”的观测能力，在灾害监测、城市管理及军事侦察等领域发挥着重要应用价值。尽管深度学习技术已推动SAR图像解译取得了显著进展，但现有目标识别与检测方法多聚焦于局部特征提取与单一目标判别，难以全面刻画复杂场景的整体语义结构与多目标关系，且解译流程仍高度依赖专业人员，自动化水平有限。SAR图像描述旨在将视觉信息转化为自然语言，是从“感知目标”向“认知场景”跨越的关键技术，对于提升SAR图像解译的自动化与智能化水平具有重要意义。然而，SAR图像固有的相干斑噪声干扰、纹理细节匮乏、语义鸿沟显著进一步加剧了跨模态理解的难度。针对上述问题，该文提出一种基于空间-频率感知的SAR图像描述方法(DGS-CapNet)。首先，构建空间-频域感知模块，利用离散余弦变换(DCT)掩码注意力机制对频谱成分加权以抑制噪声并强化结构特征，同时结合Gabor多尺度纹理增强模块提升对方向与边缘细节的感知能力；其次，设计跨模态语义增强损失函数，通过双向对比损失与最大互信息损失，有效缩减视觉特征与自然语言间的语义鸿沟。此外，我们还构建了包含72400条高质量图文对的大规模细粒度SAR图像描述数据集FSAR-Cap。实验结果表明，该方法在SARLANG和FSAR-Cap数据集上的CIDEr指标分别达到151.00和95.14。定性分析表明，该模型有效抑制了幻觉，并准确捕捉了细粒度的空间纹理细节，显著优于主流方法。

• 基于局部拟合一致性的机载SAR图像与仿真SAR图像匹配方法

  陈彦铭, 张帆, 何岷, 麻丽香, 汪丙南

  成像几何差异是引起SAR图像特征相对畸变的主要原因，进而导致SAR图像的匹配难度骤增。以仿真SAR图像作为参考图可以从根本上消除因成像几何差异造成的图像特征相对畸变，然而实测SAR图像与仿真SAR图像仍然会存在散射和噪声方面的差异，且现有的匹配算法基本采用对称式关键点检测及描述符匹配，因此匹配点的数量和精度仍然有待提升。针对上述问题，该文根据实测和仿真SAR图像的局部统计特征提出了非对称式的局部拟合一致性相似度度量准则，并基于该相似度设计了机载SAR图像与仿真SAR图像的粗匹配和精匹配方法，在此基础上引入地形特征提高关键点检测的多样性，最终实现实测机载SAR图像与仿真SAR图像的鲁棒匹配。实验结果表明，在不同噪声程度下，基于局部拟合一致性度量准则设计匹配方法具备更强的鲁棒性和准确性，在匹配精度等多方面指标上均显著优于现有主流算法。

• 基于物理感知频空注意力与运动学约束的半监督视频SAR阴影跟踪

  高森浩, 杨夏青, 师君, 崔国龙, 武俊杰

  针对视频合成孔径雷达(Video SAR)动目标阴影跟踪任务中面临的强相干斑噪声、显著非刚性形变及有监督训练样本稀缺等挑战，该文提出一种融合物理感知频空注意力与运动学约束的半监督跟踪方法。在检测阶段，构建基于UniMatchV2架构改进的半监督特征增强网络，通过在解码器高层特征嵌入所设计的物理感知混合频空注意力(PA-HSSA)模块，利用其频域分支实现对特征域宽带高频干扰的全局抑制，并借助空域分支对阴影几何结构进行局部锚定，同时引入动态权重生成器以自适应融合双域特征，从而在极低标注率条件下生成高质量的预测掩码。在跟踪阶段，提出一种面向半监督不确定性的时空关联框架，首先基于线性高斯状态空间模型(LGSSM)构建运动学先验波门以平滑检测结果的边缘抖动，进而设计融合运动学残差与几何一致性约束的多维代价矩阵，有效缓解因目标机动与形变引起的关联模糊问题。基于桑迪亚国家实验室(SNL)实测数据的实验结果表明，在仅使用1/32有标签数据的情况下，所提方法的多目标跟踪准确率(MOTA)达到64.19%，较基准方法提升6.73%，显著提升了强杂波背景下弱小阴影目标的稳健跟踪性能。

• 基于自监督强化学习的SAR距离压缩域舰船目标检测方法

  谭向东, 冷祥光, 熊博莅, 计科峰, 匡纲要

  合成孔径雷达(SAR)具备全天时全天候的海上监视能力。在距离压缩域(RCD)直接进行舰船目标检测，可规避计算密集的成像步骤(如距离徙动校正与方位压缩)，从而显著提升处理效率，适用于近实时或实时处理场景。然而，现有检测方法存在固有局限：一方面，传统恒虚警率(CFAR)检测器依赖于固定统计模型，在复杂海杂波环境下表现不佳；另一方面，深度学习方法普遍存在依赖已标注数据、解释性弱以及相位信息利用不充分等问题。为此，该文提出了一种基于自监督强化学习的SAR距离压缩域舰船目标检测框架，通过融合雷达电磁散射模型与深度强化学习，在提升检测性能的同时增强模型的解释性与泛化能力。该框架具有以下特点：(1)引入统计模型约束的奖励信号生成机制，实现了无须人工标注的自监督学习；(2)设计双模态特征融合模块，能够联合表征幅度与相位信息，有效保留舰船的多普勒特征；(3)提出轻量化的智能体模块，集成轻量化Q网络、自适应特征增强模块和鉴别器网络，在降低计算复杂度的同时满足实时处理需求，并借助对抗性训练增强模型的鲁棒性。实验结果表明，所提方法在近20 k×20 k像素的大场景SAR距离压缩域数据上的平均推理时间仅为31.75 s，计算量仅为二维卷积神经网络的23.81%。在复数RCD数据集上，该方法的F1分数与召回率分别达到50.72%和54.28%，相较于主流自监督检测方法提升了8.76%和10.45%。该研究首次将强化学习引入SAR距离压缩域舰船检测，通过信号模型与数据驱动学习的结合，为实现稳健的海上监视提供了新思路。

• 基于主散射时间熵的多时相极化SAR盐田区域分类

  张帆, 孟凡乐, 马飞, 尹嫱, 周勇胜, 张娟, 洪文

  盐湖蕴藏丰富的钾锂矿产资源，开采方法为盐田析盐法：盐湖卤水依次转入钠盐田和钾盐田，分别析出钠、钾盐。盐田类型判别是预估盐矿产量、确保高效开采的关键。不同类型的盐田在析盐速度上存在差异，导致在多时相极化合成孔径雷达(SAR)数据中散射强度变化程度不同，因此该文提出了基于多时相极化SAR的盐田区域分类方法。首先，为解决长时间周期内盐田散射特性变化难以准确表征的问题，该文提出了一个新的多时相极化特征，即主散射时间熵。从极化协方差矩阵中提取目标主散射机制，基于主散射机制计算任意两时间极化SAR图像之间时间相关性并构建时间相关矩阵，通过对角化操作从时间相关矩阵中获取地物在时间序列中主要的变化方向和强度，并借鉴熵的概念衡量变化强度情况，对地物的累积变化进行准确表征。其次，该文证明主散射时间熵服从高斯分布，据此提出了基于Chernoff距离的分类器，该分类器利用Chernoff距离比较超像素内主散射时间熵概率分布的相似性来实现分类。该方法在察尔汗盐湖和死海盐湖哨兵1号数据集上分别取得了84.13%和86.13%准确率。相比于现有的时序极化SAR方法，精度提升了10%，分类结果的空间一致性和噪声鲁棒性等方面也优于其他方法。

• 基于有源干扰机的SAR智能识别对抗方法

  周雅婷, 周勇胜, 薛清华, 马飞, 张帆

  合理利用SAR对抗样本可以使得特定目标在智能探测技术下实现遥感隐身，从而避免被敌方探测或识别。数字域的SAR对抗方法仅在图像域进行攻击，缺乏物理可实现性，现有物理域对抗方法通过在目标周围布置角反射器、超表面，借助电磁计算模拟对抗样本，但由于散射估计精度低，实际保护效能受限。为解决上述问题，该文将SAR有源干扰技术与对抗攻击方法相结合，提出了基于有源干扰机的SAR智能识别对抗方法，在信号域扰动目标回波信号以生成对抗样本。首先，选择基于余弦幅度加权的多相位分段调制干扰技术，通过扰动分量的设计，实现对抗扰动信号的参数化控制；然后，基于SAR成像链路，将有源干扰机生成的对抗扰动信号与目标的回波信号融合，经成像处理得到具有物理意义的SAR对抗样本；最后，引入差分进化算法，动态调整多相位分段调制干扰的能量分布与空间覆盖范围等参数，进而优化SAR对抗样本，在干扰强度较小的情况下取得最佳攻击成功率。实验结果表明，所提方法在MSTAR数据集上实现平均90.88%的攻击成功率，并对5种SAR ATR模型具有较强的可转移性，其中最高可达75.57%。该方法实现了更具物理可实现性的对抗样本生成，为遥感探测中特定目标的安全防护开辟新的解决思路，并为真实场景下有源干扰信号的应用提供智能化指导。

• 联合误导性与逼真度优化的SAR ATR最优对抗样本生成方法

  苏薪元, 全斯农, 蔡志豪, 邢世其, 汪俊澎

  对抗样本生成研究是揭示深度神经网络脆弱性及提升合成孔径雷达自动目标识别(SAR ATR)系统鲁棒性的关键。该文针对对抗样本的误导效能与视觉隐蔽这一核心矛盾的平衡问题，提出了联合误导性与逼真度优化的SAR ATR最优对抗样本生成方法，将对抗样本的生成过程建模为一个以“误导性”和“逼真度”为目标的联合优化问题。该文首先提出了一种集成复合变换攻击法以增强攻击的有效性，并构建了融合目标模型分类准确率(ACC)与学习感知图像块相似度(LPIPS)的联合度量模型以量化两个优化目标。随后，提出一种改进的均匀性引导多目标雾凇算法，通过融合Tent混沌映射、混合动态权重和黄金正弦引导，高效地求解该模型，从而获得一组代表不同权衡程度的帕累托最优解集。最终，利用YOLOv10网络对解集中的样本进行扰动检测，以定位扰动被发现的临界点，实现最优参数的量化。在MSTAR和MiniSAR数据集上的实验表明，所提集成复合变换攻击法针对不同集成模型和分类网络的平均目标模型识别准确率为8.96%，总体误导效果较其他方法平均提升了2.25%，其中复杂模型平均提升5.56%；所提均匀性引导的多目标雾凇算法在解集多样性和收敛速度方面较对比方法提升均超过25%；最终该方法能够在ACC降至28.81%的同时，将LPIPS控制在0.407，扰动因子仅为0.031，实现了误导性与逼真度的最佳平衡。该参数在6种不同防御策略下均能保持有效误导，验证了其强鲁棒性，为SAR ATR领域的对抗攻击研究提供了新的思路与量化基准。

• 仿真数据辅助的雷达HRRP小样本目标识别方法

  陈健, 於刚, 杜兰, 董文强, 郭昱辰

  雷达高分辨距离像(HRRP)目标识别研究广泛、方法众多，特别是深度学习在雷达HRRP识别领域的应用与发展，为直接利用雷达回波实现高效、精确的目标感知提供了技术支撑。然而，深层识别网络依赖大量训练数据。对于非合作目标，受雷达系统参数、目标快速机动等因素限制，实际很难提前获取姿态完备的HRRP训练样本，深层识别网络面临学习过拟合、泛化能力显著下降的问题。针对上述问题，考虑关注目标的全姿态电磁仿真数据易获取，该文以仿真数据为辅助，从数据扩充和跨域知识迁移学习两方面来缓解小样本问题。数据扩充方面，结合一定姿态角角域范围内仿真、实测HRRP在均值和方差特性两方面的差异分析，对与少量实测HRRP同角域的大量仿真HRRP样本进行线性变换，使其均值、方差满足实测域HRRP特性，实现可表征真实HRRP分布特性的数据扩充。跨域知识迁移学习方面，考虑数据扩充策略仅能实现临近姿态角的样本扩充，对仿真数据知识的利用仍不充分，所提方法利用基于生成对抗约束的域对齐策略和基于对比学习约束的类对齐策略，将具有强可分性与泛化性的仿真域全姿态数据特征和实测域特征按类拉近，进一步辅助实测域数据的学习，实现小样本识别性能的更大提升。基于3类飞机目标以及10类地面车辆目标电磁仿真和实测HRRP数据的实验表明，所提方法相较于现有小样本识别方法具有更优的识别稳健性。