DI3CL：用于 SAR 栅格分类基座模型的动态实例与轮廓一致性对比学习
计算机视觉与模式识别
2026-03-25 v3
摘要
尽管 SAR 栅格分类已取得显著进展，但最近的方法仍主要聚焦于监督学习，这需要大量标记数据集。这种依赖不仅限制了可扩展性和泛化性，也限制了适应多样化应用场景的能力。本文开发了一个通用 SAR 栅格分类基座模型，作为加速各下游模型开发与部署的稳健基石。具体提出了动态实例与轮廓一致性对比学习 (DI3CL) 预训练框架，包含动态实例 (DI) 模块和轮廓一致性 (CC) 模块。DI 模块通过强制同一区域不同视角之间的局部一致性，增强全局上下文感知；CC 模块利用浅层特征图引导模型聚焦 SAR 栅格对象的几何轮廓，从而提高结构判别能力。此外，为增强预训练期间的鲁棒性与泛化性，构建了名为 SARSense 的大规模多样数据集，包含 460,532 张 SAR 图像，以使模型捕获全面且具代表性的特征。为评估本基座模型的泛化能力，我们在包括 SAR 栅格制图、水体检测和道路提取等多种 SAR 栅格分类任务上进行了广泛实验。结果一致显示，所提 DI3CL 优于现有方法。我们的代码和预训练权重已公开提供：https://github.com/SARpre-train/DI3CL。
引用
@article{arxiv.2511.07808,
title = {DI3CL: Contrastive Learning With Dynamic Instances and Contour Consistency for SAR Land-Cover Classification Foundation Model},
author = {Zhongle Ren and Hui Ding and Kai Wang and Biao Hou and Xingyu Luo and Weibin Li and Licheng Jiao},
journal= {arXiv preprint arXiv:2511.07808},
year = {2026}
}
备注
16 pages, 7 figures;Accepted for publication in IEEE Transactions on Image Processing (TIP)