首个公开发表的SAR图像目标识别基础模型！国防科大教授团队提出

机器之心发布

机器之心编辑部

合成孔径雷达（Synthetic Aperture Radar, SAR）作为一种基于电磁波的主动探测技术，具有全天时、全天候的对地观测能力，已发展成为一种不可或缺的对地观测工具，在军民很多领域均有着重要的应用。

目标识别（Automatic target recognition，ATR）是 SAR 图像智能解译的核心问题，旨在对 SAR 图像中典型目标（通常为车辆、舰船和飞机等目标）进行自动定位和分类，复杂、开放、对抗环境下的 SAR 目标识别要做到高精准、高敏捷、强稳健、省资源，仍然面临很多挑战。当前，SAR 目标识别主要面临两个层面挑战。

• 技术层面，SAR 目标识别方法多为有监督、静态、单任务、单模型、单平台，对特定类别的检测和分类，都需要各自的算法模型，每个任务都必须从头开始独立学习，这导致计算冗余、算法设计周期长、泛化能力严重不足、高标注依赖等问题。
• 生态层面，由于 SAR 图像数据敏感性、标注代价昂贵等因素，缺乏良好的、开源的代码、评估基准和数据生态，导致很多 SAR 目标识别算法不开源、算法评估基准不统一、目前尚无公开的百万 / 千万级大规模高质量 SAR 目标识别基准数据集等问题。

在人工智能基础模型技术飞速发展的今天，SAR 图像解译领域技术创新与发展生态亟待突破。

图 1. 各种专门的 SAR ATR 数据集和任务。SAR ATR 包括各种成像条件（即操作条件），如目标、场景和传感器。然而，由于成本较高，通常是在特定任务和设置中收集数据集。例如，MSTAR 是 X 波段和草地场景中的 10 型车辆目标分类数据集，SAR-Aircraft 是从三个机场和 C 波段卫星收集的 7 型飞机检测数据集。不同的目标特征、场景信息和传感器参数使现有算法的泛化困难。因此，团队旨在建立 SAR ATR 基础模型，一种用于各种任务的通用方法。

为了解决上述技术挑战，国防科技大学电子科学学院刘永祥&刘丽教授团队提出首个公开发表的SAR图像目标识别基础模型SARATR-X 1.0。

技术层面：①率先开展基于自监督学习的 SAR 目标特征表示学习；②创新性地提出了适用于 SAR 图像的联合嵌入 - 预测自监督学习新框架（Joint Embedding Predictive Architecture for SAR ATR, SAR-JEPA），让深度神经网络仅仅预测 SAR 图像稀疏且重要梯度特征表示，有效地抑制了 SAR 图像相干斑噪声，避免预测 SAR 图像含相干斑噪声的原始像素强度信息；③研制了首个 SAR 图像目标识别基础模型 SARATR-X（0.66 亿参数，基于 Transformer），突破了复杂场景中 SAR 目标特征学习对大规模高质量标注数据高度依赖的瓶颈，大幅提升了预训练基础模型的认知能力。

生态层面：团队致力于为 SAR 图像目标识别创建一个良好开源生态，以促进 SAR 目标识别技术快速创新发展。①规范和整合已有公开数据集，形成较大规模 SAR 图像陆海目标识别数据集 SARDet-180K；②为了取代 MSTAR（10 种车辆型号），耗时两年构建 SAR 车辆目标识别数据集 NUDT4MSTAR（40 种车辆型号、更具挑战的实际场景、数据公开、规模超过同类型数据集十倍），进行了详细性能评测；③开源相关的目标识别算法代码和评估基准。

研究成果以 “SARATR-X：面向 SAR 目标识别的基础模型（SARATR-X: Towards Building A Foundation Model for SAR Target Recognition）” 和 “预测梯度更好：探索联合嵌入-预测框架的 SAR ATR 自监督学习（Predicting gradient is better: Exploring self-supervised learning for SAR ATR with a joint-embedding predictive architecture）”，被国际顶级学术期刊《IEEE Transactions on Image Processing》录用和《ISPRS Journal of Photogrammetry and Remote Sensing》发表。

团队的代表性工作一经发表、录用后，已经引起国内外同行关注，获得积极评价。引文单位包括美国空军研究实验室、法国古斯塔夫・埃菲尔大学、新加坡南洋理工大学、北京大学、武汉大学、北京航空航天大学等。

例如，ISPRS Journal 主编、LASTIG 实验室主任 Clement Mallet 在其论文《AnySat: An Earth Observation Model for Any Resolutions, Scales, and Modalities》中认为 “SAR-JEPA [41] 首次将联合嵌入预测框架概念应用于对地观测，专门用于 SAR 数据。（引文原文：SAR-JEPA [41] introduces the first implementation of JEPA concepts for EO, focusing exclusively on SAR data. In this paper, we combine JEPA with a versatile spatial encoder architecture, allowing a single model to handle diverse data scales, resolutions, and modalities.）”

此外，该团队正在加紧研制 SARATR-X 2.0，预计参数规模 3 亿，SAR 目标切片样本规模 200 万，其中收集的数据将形成开源数据集以服务生态建设，近期将发布 SAR 车辆目标识别数据集 NUDT4MSTAR。

技术方案

团队旨在构建一个通用 SAR 图像目标识别基础模型以满足实践中多样的识别任务需求。作为首个公开发布的 SAR 图像目标识别基础模型 SARATR-X 1.0，该模型从大规模无标注 SAR 目标图像中学习到了较为通用的特征表示，突破了传统有监督算法适应性局限，为各种下游任务的高效适应提供基础。在系列工作中，团队研究了 SAR 图像目标识别基础模型的预训练集、模型架构、自监督学习和评估基准。

预训练集，所使用的预训练集包括不同的目标类别和成像条件，以适应各种下游任务，将大部分开源数据集作为预训练的一部分，共纳入了 14 个具有不同目标类别和成像条件的分类和检测数据集，作为新的预训练数据集，以探索基础模型的潜力。

表 1. SARATR-X 用于预训练的 14 个开源合成孔径雷达数据集。

模型架构，采用 HiViT 架构，旨在实现更好的遥感图像空间表示，特别是对于大图像中的小目标。HiViT 具有 Swin Transformer 高分辨率输入的优势，且可在自监督学习的掩码图像建模中丢弃补丁提高训练效率。

自监督学习，SAR 相干成像中的散斑噪声会对图像质量产生负面影响。此外，SAR 幅度图像的视觉特征不像光学 RGB 图像那样明显。因此，SAR SSL 的主要任务是提高特征学习和目标信号的质量。在前期工作 SAR-JEPA 中，重点研究了如何针对 SAR 图像特性设计自监督学习方法。

SAR-JEPA 受 JEPA、MaskFeat、FG-MAE 等工作启发，这些工作利用特征空间进行自监督学习任务，而非在原始像素空间进行，这压缩了图像空间中信息冗余，且可以学习到不同特征，如目标性质、深层语义特征。SAR-JEPA 针对 SAR 图像噪声问题，重点在一个降噪特征空间进行自监督学习，通过结合传统特征算子去除散斑噪声干扰，提取目标边缘梯度信息用于自监督，从而实现在 SAR 图像这种噪声数据中的大规模无标注自监督学习。其结果表明自监督学习模型性能可在不同 SAR 目标分类数据集上随着数据量而不断增长。这推动了我们基于大规模数据集构建一个通用 SAR 图像目标识别基础模型，从而实现在不同目标、场景、传感器和识别任务中高效复用。

因此，SARATR-X 基于 SAR-JEPA 进行训练，首先在 ImageNet 数据进行预训练，以获得更好的初始化模型多样性，第二步是利用 SAR-JEPA 中高质量的目标信号对 SAR 图像进行预训练。

图 2. 两步预训练过程。第一步是对 ImageNet 数据进行预训练，以获得更好的初始化模型多样性。第二步是利用高质量的目标信号对 SAR 图像进行预训练，比如抑制散斑噪声和提取目标边缘的多尺度梯度特征。

评估任务，针对全面评估基础模型的性能需求，团队利用 3 个开源目标数据集，首先构建了一个包含 25 个类别的细粒度分类数据集 SAR-VSA，以评估所提改进措施的有效性。然后，在公开分类和检测数据集上，对所提 SARATR-X 1.0 和现有方法进行了全面比较。

模型性能

受限于公开的 SAR 目标识别数据集规模，研制的 SAR 图像目标识别基础模型 SARATR-X 1.0 规模只有 0.66 亿参数，但从大规模无标注 SAR 目标图像中学习到了较为通用的特征表示。在多种下游目标识别任务上（8 个基准目标识别任务，包括小样本目标识别、稳健目标识别、目标检测等）的性能达到国际先进或者领先水平（如下图 3 所示）。在细粒度车辆 MSTAR 数据集中，它的目标分类性能优于现有的 SSL 方法（BIDFC），提升 4.5%。

此外，它在扩展操作条件 EOCs（擦地角 EOCs-Depression、目标配置 EOCs-Config 和目标版本 EOCs-Version）下表现良好。SARATR-X 在各种类别（多类的 SARDet-100K 和 OGSOD、船舶 SSDD 和飞机 SAR-AIRcraft）的目标检测下也具有竞争力，平均提升约 4%。并且所提方法具有良好的数据量和参数量可扩展性，具有进一步提升潜力。

图 3. SARATR-X 1.0 分类和检测的结果。

检测结果分析，检测可视化如下图 4 所示，虚警和漏检在 SAR 图像中很常见，特别是在相似的目标重叠和复杂的场景。虽然所提方法通过学习图像中的上下文信息，有效地提高了检测效果，但复杂场景和低质量图像的目标检测仍然非常困难。

图 4. 在 SARDet-100K 上进行检测的可视化。

注意力多样性分析，对于不同模型的注意力范围进行可视化分析，如图 5 所示，通过模型架构（图 a v.s. 图 b)，初始化权值（图 a v.s. 图 c）和 SSL (图 d v.s. 图 e）改进以确保 SAR 目标识别的注意范围不同，包括 HiViT 架构、ImageNet 权重和 SAR 目标特征。

图 5. 不同注意头的平均注意距离（x 轴为注意头层数，点颜色代表不同的层，以便更好地可视化），注意距离（Attention Distance）代表了一个接受域的范围。

可扩展性，尽管掩码图像建模可以有效地随数据资源和模型参数扩展性能，但在处理噪声数据（如 SAR）时，所提方法是否可以确保其可扩展性？图 6 从三个角度展示了实验的结果：数据集大小、模型参数量和训练轮数。尽管预训练集包含 18 万个图像，比 ImageNet-1K 小，但在图 6（a）和（b）中，随着数据和参数量的增加，下游任务性能呈现显著上升曲线。这一结果表明，通过提取高质量的特征作为引导信号，基础模型可以充分发挥其在 SAR 目标识别中的潜力。但由于数据量限制，模型在扩展训练轮数时倾向于过拟合。此外，SAR 图像噪声和低分辨率进一步加剧了过拟合。

图 6. SARATR-X 在数据集大小、模型参数量和训练轮数方面的可扩展性。虽然方法受益于这三个方面，但需要注意的是，由于数据集的大小，过大的训练轮数经常会导致过拟合。

更多图表分析可见原文。

论文传送门

SARATR-X

• 题目：SARATR-X: Towards Building A Foundation Model for SAR Target Recognition
• 期刊：IEEE Transactions on Image Processing
• 论文：https://arxiv.org/abs/2405.09365
• 代码：https://github.com/waterdisappear/SARATR-X
• 年份：2025
• 单位：国防科技大学、上海人工智能实验室
• 作者：李玮杰、杨威、侯跃南、刘丽、刘永祥、黎湘

SAR-JEPA

• 题目：Predicting gradient is better: Exploring self-supervised learning for SAR ATR with a joint-embedding predictive architecture
• 期刊：ISPRS Journal of Photogrammetry and Remote Sensing
• 论文：https://www.sciencedirect.com/science/article/pii/S0924271624003514
• 代码：https://github.com/waterdisappear/SAR-JEPA
• 年份：2024
• 单位：国防科技大学、上海人工智能实验室、南开大学
• 作者：李玮杰、杨威、刘天鹏、侯跃南、李宇轩、刘振、刘永祥、刘丽