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

通过研究大规模预训练图像生成模型在非可见光领域的应用，特别以合成孔径雷达（SAR）数据为案例研究，提出了一种 2 阶段低秩自适应方法（2LoRA）和改良版本原型 LoRA（pLoRA），以生成 SAR 数据并在 SAR 分类和分割模型的训练过程中取得显著的改进效果。

Nov, 2023

基于自监督学习构建的基础模型 SARATR-X，通过集成多个数据集、使用不同的模型骨干和两阶段训练技术，实现了在 5 个数据集上具有竞争力和优越性能的普适合成孔径雷达自动目标识别。

May, 2024

在合成孔径雷达（SAR）等风险高、成本高的场景中，可解释的人工智能（XAI）对于提高深度神经网络的透明度和可信度至关重要。Shapley 是一种具有强大数学基础的基于博弈的解释技术。然而，Shapley 假设模型的特征是独立的，这使得高维模型的 Shapley 解释无效。本研究通过将高维特征投影到低维流形特征，并随后获得 Fusion-Shap，引入了一种基于流形的 Shapley 方法，旨在（1）解决传统 Shap 遇到的错误解释问题；（2）解决传统 Shap 在复杂场景中面临的可解释性挑战。

Jan, 2024

本文提出了一种使用合成孔径雷达图像进行可微分渲染的方法，结合了 3D 计算机图形学和神经渲染，并在高保真模拟 SAR 数据上演示了从有限 SAR 图像重建 3D 对象的逆图形问题。

Apr, 2022

近年来，黑盒机器学习方法已成为遥感领域知识提取的主要建模范式。本文通过系统回顾，总结了遥感应用中可解释人工智能方法的使用趋势、发现和挑战，并揭示了解释解析的常见模式，提供了该领域的最新综述和未来研究方向的基础。

Feb, 2024

通过改变目标对象的散射特征参数，我们提出了 SAR-AE-SFP 攻击方法，生成真实物理对抗样本。实验证明，与数字对抗攻击方法相比，SAR-AE-SFP 攻击在基于 CNN 的模型上攻击效率显著提高（超过 30%），在基于 Transformer 的模型上攻击效率也显著提高（超过 13%），展示了攻击效果在不同模型和视角之间的显著可转移性。

Mar, 2024

提出了一种基于贝叶斯神经网络的新颖不确定性感知合成孔径雷达自动目标识别系统，可以检测到对 RAS 图像进行的敌对攻击，并生成可视化解释，帮助人类决策者判断敌对攻击证据。实验证明该方法能够识别超过 80% 的敌对 RAS 图像，误报率低于 20%，并且可视化解释能够识别超过 90% 的敌对散射体。

Mar, 2024

本文探讨自动驾驶汽车中的可解释机器学习（Explainable ML）在安全问题中的应用。特别是在高度移动和风险规避的平台上，如自动驾驶汽车中，存在着对训练机器学习攻击检测模型的传感器数据不确定性问题。因此，本文提出了一个可以解释传感器输入中不确定性和确定性的模型，并将此应用于攻击检测模型的训练中。通过实验，我们证明了该贝叶斯分类器可以准确地将所有欺骗的输入分类为错误的类标。

Mar, 2022

基于遮掩的孪生视觉变压器提取器 (SAFE) 是一种新颖的自监督学习框架，通过对未标记的合成孔径雷达影像数据进行对比学习，提取稳健且具有普适性的特征。SAFE 可用于多种合成孔径雷达采集模式和分辨率下，具有针对合成孔径雷达影像的数据增强技术，如亚孔径分解和去斑点处理。对少样本分类、分割、可视化和模式检测等多种下游任务的全面评估表明，所提出的方法的有效性和多功能性。即使在未经使用的传感器上进行评估，我们的网络在少样本分类和分割任务上与或胜过其他先进方法。

Jun, 2024