深度学习助力SAR目标识别：从MSTAR到SARATR-X的突破

深度学习助力SAR目标识别：从MSTAR到SARATR-X的突破

引用

CSDN

等

5

来源

1.

https://blog.csdn.net/qq_41409979/article/details/139994557

2.

https://blog.csdn.net/qq_48650601/article/details/137191084

3.

https://36kr.com/p/3132316182944260

4.

https://blog.csdn.net/AugustMe/article/details/137977452

5.

https://www.cnblogs.com/zy946/p/18090922

近日，国防科技大学电子科学学院刘永祥、刘丽教授团队在合成孔径雷达（SAR）目标识别领域取得重大突破，提出首个公开发表的SAR图像目标识别基础模型SARATR-X 1.0。这一成果不仅解决了SAR目标识别领域长期以来的技术瓶颈，更为该领域的发展开辟了新的方向。

MSTAR（Moving and Stationary Target Acquisition and Recognition）数据集是SAR目标识别领域最经典的数据集之一。该数据集由美国国防高级研究计划署（DARPA）和空军研究实验室（AFRL）提供，自1996年发布以来，一直是该领域研究的重要基准。

MSTAR数据集具有以下特点：

• 高分辨率：采用X波段雷达，分辨率达到0.3m×0.3m
• 多样性：包含10类军事目标，包括自行榴弹炮、装甲侦察车、装甲运输车等
• 丰富性：涵盖不同俯仰角和方位角下的目标图像
• 两种工作条件：标准工作条件（SOC）和扩展工作条件（EOC）

近年来，深度学习技术在计算机视觉领域取得了显著成就，其在SAR目标识别领域的应用也日益广泛。然而，SAR图像的特殊性（如相干斑噪声、目标姿态变化等）给深度学习模型带来了巨大挑战。

传统的SAR目标识别方法主要存在以下问题：

• 高标注依赖：需要大量标注数据
• 泛化能力差：对特定任务和场景的适应性不足
• 计算冗余：每个任务都需要独立训练模型
• 生态不完善：缺乏统一的评估标准和大规模数据集

针对上述挑战，国防科技大学团队提出了SARATR-X 1.0基础模型。该模型具有以下创新点：

1. 自监督学习框架：首次将自监督学习应用于SAR目标识别，通过预测梯度特征而非原始像素强度，有效抑制了相干斑噪声。

2. Transformer架构：采用基于Transformer的HiViT架构，能够更好地处理遥感图像中的小目标。

3. 大规模预训练：整合14个开源SAR数据集，包含不同目标类别和成像条件，预训练数据规模达到180K。

4. 开源生态建设：团队不仅开源了算法代码和评估基准，还构建了更大规模的SAR车辆目标识别数据集NUDT4MSTAR，包含40种车辆型号，规模是MSTAR数据集的十倍以上。

随着SARATR-X 1.0的发布，SAR目标识别领域将迎来新的发展阶段。团队正在研发的SARATR-X 2.0将进一步扩大模型规模至3亿参数，目标切片样本规模将达200万。

这一系列突破将为军事侦察、地形测绘、灾害监测等领域提供更强大的技术支持，同时也为学术界和工业界提供了更完善的SAR图像处理工具和数据资源。

这一成果已发表在《IEEE Transactions on Image Processing》等顶级期刊，并获得国内外同行的高度评价。这标志着我国在SAR图像智能解译领域已达到国际领先水平。