用于强健 SAR 车辆识别的分层去纠缠网络
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
本文提出了一种同时利用语义相似性和目标伪标签的异构域适应模型（SSAN），通过隐式语义相关损失和几何相似性参与的伪标签精化过程，在不同数据类型的异构域上实现有效的特征对齐和类别中心对齐，Excel 在各种异构域适应任务中。
Aug, 2020
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
该研究提出了一种名为对比特征对齐 (CFA) 的解决方案，旨在学习具有稳健性的不变表示形式，通过联合分类损失和通道加权平均平方误差 (CWMSE) 损失来训练模型，以获得逐步学习不变目标表示的能力，该方法在 MSTAR 数据集和六种 DNN 模型上得到了广泛评估，并成功证明其在不熟悉的环境中识别目标的效能
Apr, 2023
通过深度学习技术的发展，本文提出了一种基于渐进前景平衡采样策略的深度学习模型来解决变化检测任务中改变和不改变的像素之间不平衡的问题，并设计了一种层次化注意力网络（HANet），以提高检测性能。
Apr, 2024
通过使用合成目标，训练具有深度学习方法的自动目标检测模型来解决合成孔径雷达图像中地面目标检测算法所面临的挑战，并证明该方法能在无需真实数据训练的情况下，在真实数据上达到高达 90% 的平均精度。
May, 2024
本研究提出了一个 VHSR SAR 图片数据库，并且探讨了基于补丁的城市和城市周边区域分类。使用大型 CNN 分类模型和预训练网络来确定有效性，此外还运用生成对抗网络来生成数据测试数据对分类精度的影响。
Nov, 2017
提出了一种基于频域变换的神经网络辅助的合成孔径雷达（SAR）目标检测方法，通过校正卷积偏差并关注高频信息，形成自然的多尺度子空间表示，从多子空间去噪的角度来检测目标，在多个 SAR 目标检测数据集上实现了最先进的成绩。
Jun, 2024
通过使用统计学的方法，构建了一个称为 DCAN 的轻型语义分割神经网络模型，为了降低深度学习模型在像素和特征级别上的模态差异，在生成器和分割网络上都实现了通道特征对齐，这就使得模型可以通过预测新颖真实数据的语义分割图，从而使得神经网络训练效果得到了极大提升。
Apr, 2018
本研究提出了一种基于合成数据和真实数据训练的 StRDAN 网络框架，它将域自适应和半监督学习方法相结合，可显著提高车辆再识别的准确性。
Apr, 2020