SDF-Net：面向光学-合成孔径雷达舰船重识别的结构感知解�合特征学习
计算机视觉与模式识别
2026-05-29 v2
摘要
光学图像与合成孔径雷达（SAR）图像之间的跨模态舰船重识别（ReID）面临被动光学成像与主动雷达探测之间严重的辐射特性差异的挑战。虽然已有方法主要依赖统计分布对齐或语义匹配，但常常忽略了一个关键物理先验：舰船是刚性实体，其几何结构在不同探测模态下保持稳定，而纹理外观则高度依赖于探测模态。在本工作中，我们提出 SDF-Net，即结构感知解�合特征学习网络，系统性地将几何一致性纳入光学-SAR 舰船 ReID。基于 ViT 主干网络，SDF-Net 引入结构一致性约束，从中间层提取尺度不变的梯度能量统计，以稳健地锚定表示。在终端阶段，SDF-Net 将学习到的表示解�合为模态不变的身份特征和模态特定特征。这些解�合线索随后通过无参数的可加残差融合集成，有效提升了判别能力。大量实验在 HOSS-ReID 数据集上表明，SDF-Net 持续地超越了现有的前沿方法。该代码和训练好的模型已公开于 https://github.com/cfrfree/SDF-Net。
引用
@article{arxiv.2603.12588,
title = {SDF-Net: Structure-Aware Disentangled Feature Learning for Opticall-SAR Ship Re-identification},
author = {Furui Chen and Han Wang and Yuhan Sun and Jianing You and Yixuan Lv and Zhuang Zhou and Hong Tan and Shengyang Li},
journal= {arXiv preprint arXiv:2603.12588},
year = {2026}
}