IRASNet：面向域泛化 SAR-ATR 的改进特征级杂波抑制

最近，计算机辅助设计模型和电磁仿真已被用于增强合成孔径雷达（SAR）数据的深度学习。然而，当使用合成数据时，自动目标识别（ATR）模型会遇到域偏移问题，因为模型会学习此类数据中存在的特定杂波模式，这在应用于具有不同杂波分布的实测数据时会干扰性能。本研究提出了一个专为域泛化 SAR-ATR 设计的框架，称为 IRASNet，能够实现有效的特征级杂波抑制和域不变特征学习。首先，我们提出了一个杂波抑制模块（CRM），在特征图上最大化信号杂波比。该模块在特征级减少杂波影响的同时保留目标和阴影信息，从而提高 ATR 性能。其次，我们将对抗学习与 CRM 集成，以提取抑制杂波的域不变特征。这种集成在训练期间无需实测数据即可弥合合成数据集与实测数据集之间的差距。第三，我们通过使用掩码真值编码实现位置监督任务，改进了从目标和阴影区域的特征提取。这一改进增强了模型区分类别的能力。我们提出的 IRASNet 利用目标和阴影信息在公开 SAR 数据集上取得了新的 SOTA 性能，在各种测试条件下均实现了卓越的性能。IRASNet 不仅提高了泛化性能，还显著改善了特征级杂波抑制，使其成为雷达图像模式识别领域的一项重要进展。