1、合成孔径雷达（SAR）数据应用：深度学习助力端到端自动目标识别

合成孔径雷达（SAR）数据应用：深度学习助力端到端自动目标识别

1. 概述

合成孔径雷达（SAR）系统广泛用于情报、监视和侦察。与电光（EO）图像不同，SAR图像不易解读，过去需专业分析师从中提取有用信息。如今，高分辨率SAR系统数量及数据量激增，导致分析师短缺。因此，高效可靠的自动目标识别（ATR）算法需求迫切，它能处理SAR图像，找出感兴趣目标、分类并输出目标属性。本文介绍一系列深度学习（DL）算法实现端到端SAR ATR，其独特之处在于仅使用合成训练数据，避免了其他DL方法的一些常见问题。

2. 合成孔径雷达简介

SAR是强大的遥感技术，通过处理雷达回波形成图像。它是主动成像模式，能在昼夜和各种天气条件下工作。但SAR图像存在大量斑点噪声，分辨率通常低于EO图像，且对光照方向敏感，传统EO图像分类方法不适用于SAR图像。例如，公开的10类移动和静止目标获取与识别（MSTAR）目标集的EO和SAR图像对比，就体现了这些差异。

3. 自动目标识别的需求与挑战

高分辨率SAR系统增多，数据量剧增，分析师不足，使得高效可靠的ATR算法需求凸显。一些作者将ATR仅指分类已知含目标的图像块这一步骤，而本文处理从完整SAR场景到分类图像块的端到端问题。

ATR算法研究多年，过去20年因MSTAR数据集发布受到更多关注。早期SAR分类算法有模板匹配、属性散射中心模型、支持向量机和神经网络等，近年来现代卷积神经网络（CNN）方法得到应用。

然而，MSTAR数据集虽为SAR ATR分类提供了测试平台，但也导致了误解和性能高估。训练集和测试集相似度高，实际中难以达到这种相似程度，且仅利用图像块背景杂波就能实现