该研究使用Shapley值量化不同区域对目标识别的贡献，发现深度学习在SAR ATR中对于杂波的过拟合程度反映了其非因果性，并解释了数据偏差和模型偏差对非因果性的影响。

Apr, 2023

采用类Transformer的CAMixer结构结合全局注意力机制进行合成孔径雷达图像变化检测，通过并行设计将自注意力和平移卷积相结合，实现全局语义信息的捕获，并同时进行局部特征提取，并采用门控机制来增强非线性特征变换，进而提高对杂波噪声的高质量表示。经过在三个合成孔径雷达数据集上的广泛实验验证，CAMixer模型展现出卓越的性能。

Sep, 2023

研究在SAR目标识别中引入物理模型和深度神经网络的融合，通过引入属性散射中心参数等数据进行性能改进和物理可解释性提高；然而，当前评估方案不足以评估模型的稳健性和泛化能力。因此，本文提出了基于物理的混合注意力机制和一劳永逸的评估协议来解决这些问题，并在多个测试集上对模型进行了严格评估，实验表明我们的方法在12个具有相同属性散射中心参数的测试场景中表现优于其他最先进的方法。

Sep, 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

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

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

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

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

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

合成孔径雷达已广泛应用于多个领域，可以收集有关感兴趣区域的大量信息。最近人工智能的进展使得基于深度学习的SAR ATR可以自动从大规模输入数据中识别目标特征。本文尝试将轻量级视觉Transformer模型应用于分类SAR图像以提高SAR ATR的识别准确性，并通过开放数据集验证了整体结构，结果显示该模型比传统网络结构分类结果更准确。

May, 2024