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

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

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

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

开发了一种轻量级视觉 Transformer（ViT）模型，利用 Shifted Patch Tokenization（SPT）和 Locality Self-Attention（LSA）模块，该模型可以直接在训练数据有限的合成孔径雷达（SAR）数据集上进行训练，以评估其在 SAR 自动目标识别（ATR）应用中的有效性，并进一步提出了一种用于实时 SAR ATR 应用的新型 FPGA 加速器（VTR）。

Apr, 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

本文提出了一种基于可解释数据转换的新范式，以生成 AI 方法的输入，提供知识反馈，从而从数据中学习或改进高复杂度未知或未形式化的模型，此方法被成功应用与合成孔径雷达数据的混合建模和图像理解。

Jan, 2023

我们提出了一种基于图神经网络的自动目标识别框架，该框架不仅可以提供最终的分类类别，还可以输出对应的详细信息，实现了 99.2％的整体准确率，并超越了先前最先进的图神经网络方法。

Jan, 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

在这篇文章中，我们研究了基于深度神经网络的合成孔径雷达自动目标识别系统对对抗性攻击的脆弱性，并提出了一种无需直接访问受害者模型或测量数据的方法，通过合成数据生成对抗扰动并迁移到受害者模型上。我们还提出了一种转移能力估计攻击方法，通过对合成和测量数据对之间的相似性进行盲目估计和优化，从而在不掌握受害者模型和数据的情况下实现可行的替代模型增强。基于公开可用的合成和测量配对标记实验（SAMPLE）数据集的综合评估表明，该方法优于目前的最先进方法，并且可以显著提升计算机视觉和遥感应用中的各种攻击算法。

Jan, 2024