SAR-Net 是一个专门设计用于合成孔径雷达 (SAR) 目标检测中全局融合方向感知信息的创新框架，通过 Unity 补偿机制 (UCM) 和方向感知注意模块 (DAM) 实现了全局信息融合和消除背景干扰的功能。通过在飞机和船只数据集上进行实验，验证了 SAR-Net 在目标检测领域取得了最先进的结果，证实了其泛化能力和鲁棒性。

Dec, 2023

提出一个新颖的多模态自监督网络（MS-Net）用于合成孔径雷达（SAR）影像中飞机的细粒度分类，通过大量实验，证明了 MS-Net 在无标签情况下能够有效降低类似类型飞机的分类难度，对 SAR 影像中飞机的细粒度分类具有开创性意义。

Aug, 2023

本文提出了一种新颖的 Hierarchical Disentanglement-Alignment Network（HDANet）方法，通过数据对齐框架增强了特征的因果性和鲁棒性，展现了在多种 SAR 的目标和环境变量中的高鲁棒性。

Apr, 2023

本文提出了一个名为 SARAS-Net 的新型深度学习模型，结合了关系感知、尺度感知和交叉转换器三个模块，以更好地解决场景变化检测中存在的空间信息、尺度改变和交互信息等问题，并在多个公共数据集上取得了 State-of-the-Art 准确度。

Dec, 2022

本文提出了一种利用神经网络及空间变换模型解决人流量不规则变化问题的方法，在 4 个数据集上实验得到了 12%-22.8% 的改进。

Jul, 2018

通过引入两个非对称式任务设计和虚假负样本消除模块，我们提出了一种新颖的双流对比预测网络（DCPNet），以解决现有合成孔径雷达（SAR）舰船分类技术中存在的标注数据不足和特征融合造成的冗余问题。实验结果表明 DCPNet 在有监督模型的分类准确性上有所提升，并证实了其学习有效特征表示的能力。

Nov, 2023

通过使用本文提出的具有知识引导预测架构，通过预测未见上下文的多尺度 SAR 特征表示，将传统 SAR 领域特征提取与最先进的可扩展自监督学习相结合，以准确的广义特征表示进行 SAR 目标识别，这一方法在各种下游数据集上验证成功，并在 SAR 目标识别中实现了一致的性能提升。

Nov, 2023

本文提出一种新的基于差分注意力度量的网络 --DAM-Net，用于检测洪水区域。DAM-Net 包括两个关键组件：一个共享权重的双子背骨结构，用于获得多时相图像的多尺度变化特征和具有高级语义信息的表示水体变化的令牌，以及一个融合语义令牌和变化特征的时态差分融合模块，以生成减少斑点噪声的洪水地图。通过在提出的 S1GFloods 数据集上进行实验，证明 DAM-Net 相比当前最先进的方法在总体精度、F1 分数和 IoU 三个指标上都有明显提升。

Jun, 2023

提出了一种适应性多层次注意力模块（AMAM）来学习多尺度特征，并从不同特征层自适应地聚合显著特征，以增强对小目标的检测能力，实现多尺度特征增强和对象检测。通过将 AMAM 嵌入主干网络和特征金字塔网络（FPN）之间，提出了一种新颖的自适应多层次注意力网络（AMANet），并且 AMAM 可以轻松地插入不同的框架以提高对象检测性能。大规模合成孔径雷达（SAR）船舶检测数据集上的大量实验结果表明，AMANet 方法优于现有方法。

Jan, 2024

通过引入多级特征聚合和递归对齐网络 (MFARANet)，在实时推理速度下实现高分割准确度；利用 ResNet-18 作为骨干网络并提出三个核心组件来弥补由于骨干网络较浅导致的模型容量不足；在三个基准数据集上进行了综合实验，结果表明我们的方法在速度和准确度之间达到了更好的平衡。

Feb, 2024