面向复值SAR图像识别的知识引导神经网络
计算机视觉与模式识别
2025-10-24 v1
摘要
用于复值合成孔径雷达（CV-SAR）图像识别的深度学习模型，在数据有限和域偏移场景下，从根本上受到一个表示三难困境的约束：泛化性、可解释性和效率的同时（但相互冲突）优化。我们的工作基于这样一个前提：CV-SAR数据中蕴含的丰富电磁散射特征是解决这一三难困境的关键，但传统数据驱动模型未能充分利用这些特征。为此，我们引入了知识引导神经网络（KINN），这是一个基于新颖的“压缩-聚合-压缩”架构的轻量级框架。第一阶段执行物理引导的压缩，其中一种新颖的字典处理器自适应地嵌入物理先验，使得一个紧凑的展开网络能够高效地提取稀疏的、基于物理的签名。随后的聚合模块丰富了这些表示，最后通过一个利用自蒸馏的紧凑分类头进行语义压缩阶段，以学习最大程度与任务相关且具有判别性的嵌入。我们实例化了KINN的CNN（0.7M）和Vision Transformer（0.95M）两种变体。在五个SAR基准上的广泛评估证实，KINN在参数高效识别方面建立了最先进水平，在数据稀缺和分布外场景中提供了卓越的泛化性和切实的可解释性，从而为表示三难困境提供了一个有效的解决方案，并为SAR图像分析中的可信AI提供了一条新路径。
引用
@article{arxiv.2510.20284,
title = {Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition},
author = {Haodong Yang and Zhongling Huang and Shaojie Guo and Zhe Zhang and Gong Cheng and Junwei Han},
journal= {arXiv preprint arXiv:2510.20284},
year = {2025}
}