合成孔径雷达（sar）目标识别技术突破：国防科技大学团队构建首个sar图像目标识别基础模型
合成孔径雷达（Synthetic Aperture Radar, SAR）作为一种全天候对地观测技术，在军民领域应用广泛。然而，SAR图像目标识别（Automatic Target Recognition, ATR）面临诸多挑战，特别是复杂环境下的高精度、高效率识别。 国防科技大学电子科学学院刘永祥&刘丽教授团队针对这些挑战，提出了首个公开发布的SAR图像目标识别基础模型SARATR-X 1.0，并构建了相应的开源生态。
现有SAR目标识别方法存在技术和生态两方面瓶颈：技术层面，多为有监督、静态、单任务的单模型单平台方法，计算冗余高，泛化能力弱；生态层面，缺乏高质量的开源数据、代码和评估基准。
SARATR-X 1.0模型的核心突破在于：
-
技术层面: 采用基于自监督学习的SAR目标特征表示学习方法，创新性地提出联合嵌入-预测自监督学习框架（SAR-JEPA），有效抑制SAR图像相干斑噪声，降低对标注数据的依赖。模型基于Transformer架构，参数规模达0.66亿。
-
生态层面: 团队构建了较大规模的SAR图像陆海目标识别数据集SARDet-180K，并创建了新的SAR车辆目标识别数据集NUDT4MSTAR（包含40种车辆型号，规模是同类型数据集的十倍以上），同时开源了相关算法代码和评估基准。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
图1. 各种专门的SAR ATR数据集和任务。现有数据集通常针对特定任务和设置，导致算法泛化困难。
SARATR-X 1.0模型的预训练过程分两步进行：首先在ImageNet数据集上进行预训练，然后利用SAR-JEPA框架在高质量SAR目标信号上进行预训练，以进一步提升模型性能。模型采用HiViT架构，能够更好地处理遥感图像中的小目标。
表1. SARATR-X用于预训练的14个开源合成孔径雷达数据集。
图2. 两步预训练过程。
在多个下游目标识别任务（包括小样本识别、稳健识别和目标检测）中，SARATR-X 1.0取得了国际先进或领先水平的性能。例如，在细粒度车辆MSTAR数据集上，其目标分类性能优于现有SSL方法，提升了4.5%。
图3. SARATR-X 1.0分类和检测结果。
图4. 在SARDet-100K上进行检测的可视化。
图5. 不同注意头的平均注意距离。
图6. SARATR-X在数据集大小、模型参数量和训练轮数方面的可扩展性。
团队已将SARATR-X 1.0的相关代码开源，并正在积极研发参数规模更大的SARATR-X 2.0模型，以及更多开源数据集，以进一步推动SAR目标识别技术的发展。
论文及代码链接: (此处请补充论文及代码链接，与原文保持一致)
