SARATR-X：面向 SAR 目标识别的基础模型构建

尽管合成孔径雷达自动目标识别 (SAR ATR) 取得了显著进展，但近期工作主要集中在检测和分类特定类别的目标，如车辆、舰船、飞机或建筑物。当前最佳 SAR ATR 方法的一个根本局限是其监督式学习范式——任务特定、有限类别、封闭式学习，依赖大量由专家雷达分析师高成本标注的样本，且泛化能力和可扩展性有限。本文首次尝试构建面向 SAR ATR 的基础模型，称为 SARATR-X。SARATR-X 通过自监督学习 (SSL) 学习可泛化的表征，为标签高效模型适配通用 SAR 目标检测和分类任务提供基石。具体而言，SARATR-X 在 0.18 百万 未标注 SAR 目标样本上训练，这些样本由当代基准数据集组合而成，目前公开最大的数据集。鉴于 SAR 图像的特征，专为 SAR ATR 设计的特征提取器被认真考虑，应用一种具有多尺度梯度特征的两阶段 SSL 方法，以确保 SARATR-X 的特征多样性和模型可扩展性。对 SARATR-X 的能力进行评估，包括在 few-shot 和鲁棒性设置下的分类，在各种类别和场景下的检测，取得了令人印象深刻的性能，常常与以往完全监督、半监督或自监督算法相抗衡甚至更优。我们的 SARATR-X 及精选数据集已发布于 https://github.com/waterdisappear/SARATR-X，以推动基础模型用于 SAR 图像解释研究。