雷达学报

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

单位：1.哈尔滨工业大学电子与信息工程学院 哈尔滨 150001；2.中国科学院软件研究所天基综合信息系统全国重点实验室 北京 100190；3.中国科学院空天信息创新研究院 北京 100190；

关键词：SAR图像描述, 空间-频域感知, DCT掩码注意力, 多尺度纹理增强, 跨模态对齐, 图像-文本数据集

基金：国家自然科学基金(62271172)

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。

来源：2026年第2期

《雷达学报》期刊编辑部

查看雷达学报杂志2026年第2期