SARATR-X: A Foundation Model for Synthetic Aperture Radar Images Target Recognition

合成孔径雷达（SAR）在主动获取地球观测信息方面至关重要。SAR自动目标识别（ATR）专注于在不同的图像条件下检测和分类各种目标类别。目前基于深度学习的SAR ATR方法通常是为特定数据集和应用程序设计的。ATR数据集中的各种目标特征、场景背景信息和传感器参数挑战了这些方法的泛化能力。本文旨在通过自监督学习（SSL）基础模型实现通用的SAR ATR。我们的动机是突破特定数据集和条件限制，获得跨目标、场景和传感器的通用感知能力。提出了一个名为SARATR-X的基础模型，包括预训练数据集、模型骨干、SSL和评估任务四个方面。首先，将14个具有不同目标类别和成像条件的数据集集成为预训练数据集。其次，讨论了不同的模型骨干，以找到最适合遥感图像的方法。第三，应用两阶段训练和SAR梯度特征，以确保SARATR-X的多样性和可扩展性。最后，SARATR-X在5个数据集的8个任务设置上取得了具有竞争力和优越的性能，显示出基础模型可以实现通用的SAR ATR。我们相信，在大数据不断增加的时代，是时候拥抱SAR图像解释的基础模型了。

论文旨在通过自监督学习（SSL）建立一个通用的合成孔径雷达（SAR）自动目标识别（ATR）基础模型，以应对不同数据集和应用场景的挑战，实现通用的SAR ATR。

论文提出了一个名为SARATR-X的基础模型，通过预训练数据集、模型骨干、SSL和评估任务四个方面来实现通用的SAR ATR。其中，预训练数据集整合了14个包含不同目标类别和成像条件的数据集，采用两阶段训练和SAR梯度特征来保证SARATR-X的多样性和可扩展性。

论文在5个数据集的8个任务设置上取得了竞争性和优越性能，证明了基础模型可以实现通用的SAR ATR。实验设计了详细的对比实验和消融实验，并提供了开源代码。该研究为SAR图像解释提供了基础模型，具有重要的实际应用价值。

最近在SAR ATR领域的相关研究包括：'Deep Learning for SAR Image Classification: A Survey'、'SAR Target Recognition Based on Deep Convolutional Neural Networks'、'SAR ATR via Deep Convolutional Neural Network with Multi-Task Learning'等。