基于多级特征融合的 SAR 图像目标导向表征学习
计算机视觉与模式识别
2025-09-12 v1
摘要
合成孔径雷达 (SAR) 图像中不仅包含感兴趣的目标，还包含复杂的背景杂波，包括地形反射和散斑噪声。在许多情况下，这些杂波的强度和模式可能与目标相似，导致模型提取 entangled 或伪特征。这种行为削弱了无论分类器如何，都难以形成清晰目标表征的能力。为此，我们提出了一种新型目标导向学习 (OCL) 框架，命名为 SlotSAR，通过无掩码注释实现 SAR 图像中目标表征与背景杂波的解耦。SlotSAR 首先从 SARATR-X 提取高级语义特征，从小波散射网络中提取低级散射特征，以获得稳健的目标特征。我们进一步提出了多级 slot 注意力模块，将这些低级和高级特征集成以增强 slot 级表征的辨识度，实现有效的 OCL。实验结果表明，SlotSAR 在 SAR 图像上实现了与现有 OCL 方法相比的领先性能，同时保持结构细节。
引用
@article{arxiv.2509.09298,
title = {Learning Object-Centric Representations in SAR Images with Multi-Level Feature Fusion},
author = {Oh-Tae Jang and Min-Gon Cho and Kyung-Tae Kim},
journal= {arXiv preprint arXiv:2509.09298},
year = {2025}
}
备注
12 pages, 5 figures