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

利用 FACTUAL 框架进行对抗训练和鲁棒性合成孔径雷达目标识别，通过引入逼真的物理对抗攻击方案和线性分类器级联的方法，在干净样本和扰动样本上预训练和微调后，模型在两种情况下的预测准确率分别达到 99.7% 和 89.6%，都优于现有最先进方法。

Apr, 2024

运用深度学习模型对合成孔径雷达（SAR）的自动目标识别（ATR）进行综合评估，并比较五种先进的深度学习模型在分类准确率、运行时间表现、以及模型参数、层数、大小和计算操作数量方面的性能。结果表明，图神经网络（GNN）在推理吞吐量和延迟方面的性能优于其他模型，然而，并没有一个模型在所有指标上占据绝对优势，一个模型适用于所有情况的可能性存在怀疑。

Dec, 2023

基于卷积神经网络的合成孔径雷达自动目标识别的半监督框架，通过辅助分割和信息残差损失的训练，利用少量标注样本和未标注样本进行训练来提高识别性能。在 MSTAR 数据集上的实验证明了该方法在少样本学习中的有效性。

Aug, 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

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

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

本文提出了一种基于图神经网络的低计算复杂度的合成孔径雷达目标识别方法，该方法通过输入修剪和模型修剪两种策略达到了低计算复杂度和较高的分类准确性。

May, 2023

本研究从频谱的角度探讨对抗性训练机制（AT），展示在低频区保留偏向形状的表示能够提高深度神经网络（DNNs）的鲁棒性，并提出了一种名称为 “频谱对齐正则化”（SAR）的训练方法，在多个数据集和攻击下显著提高 DNNs 的鲁棒准确性。

Jun, 2023

通过物理行动，在合理的位置放置散射物体来扰乱合成孔径雷达 (SAR) 图像，从而误导 SAR 图像识别器，提出了散射物基于物理对抗攻击的散射物攻击 (OTSA)，可以有效地实施敌对攻击和干扰 SAR 图像识别器。

Dec, 2023