A Statistical View on Synthetic Aperture Imaging for Occlusion Removal
Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校）
合成孔径在许多领域都有应用，例如雷达、射电望远镜、显微镜、声纳、超声、激光雷达和光学成像。它们用静态小孔径传感器阵列或单个移动小孔径传感器来逼近单个假设大孔径传感器的信号。合成孔径采样的常识是，需要在宽孔径内的密集采样图案来重建清晰的信号。在这篇文章中，我们表明，存在实际的限制，合成孔径的大小和数量的样本的遮挡去除的应用。这导致对如何以最优化和实际有效的方式设计合成孔径采样模式和传感器的理解。我们将我们的研究结果应用于机载光学切片，该光学切片使用相机无人机和合成孔径成像来计算去除遮挡植被或树木以检查地面。
2019-06-15 cs.CV cs.GR eess.IV
Pose Error Reduction for Focus Enhancement in Thermal Synthetic Aperture Visualization
Johannes Kepler University（约翰内斯·开普勒大学）
机载光学切片是一种有效的航空合成孔径成像技术，用于揭示被森林遮挡的文物，需要精确测量无人机姿态。在这篇文章中，我们提出了一种新的方法，用于减少姿态估计误差超出传统的透视n点解决方案的可能性，通过考虑底层的优化作为一个聚焦问题。我们提出了一种有效的图像集成技术，它也减少了参数搜索空间，以实现现实的处理时间，并提高了合成的整体图像的质量。
2020-12-15 cs.CV
Inverse Synthetic Aperture Fourier Ptychography
Department of Computer Science, University of Maryland, College Park, MD（计算机科学系，马里兰大学，College Park分校）；United States Air Force Academy（美国空军学院）
本文提出逆合成孔径傅里叶叠层成像方法，利用目标运动代替改变照明或相机位置来获得测量多样性，并通过基于学习的双平面强度测量估计 k 空间坐标，在未知目标旋转情况下实现合成孔径成像。
2025-07-17 cs.CV cs.LG eess.IV
Active Ensemble Deep Learning for Polarimetric Synthetic Aperture Radar Image Classification
University of Hong Kong（香港大学）；Chinese University of Hong Kong（香港中文大学）；Sun Yat-sen University（中山大学）
尽管深度学习在图像分类任务中取得了巨大成功，但其性能受制于训练样本的数量和质量。在极化合成孔径雷达（PolSAR）图像分类中，从目视解译的角度对图像进行注释几乎是不可能的。因此，在训练样本很少的情况下，研究新的极化SAR图像分类技术是遥感工作者迫切需要解决的问题。在这封信中，我们利用主动学习的优势，提出了主动集成深度学习（AEDL）用于PolSAR图像分类。我们首先证明，深度学习模型在收敛附近的快照中，只有35%的预测标签是完全相同的。快照之间的不一致是不可忽略的。从多视图学习的角度来看，快照一起作为一个很好的委员会，以评估未标记的实例的重要性。使用快照委员会给出的信息量的未标记的数据，建议AEDL取得了更好的性能相比，标准的主动学习策略在两个真正的PolSAR图像。与Flevoland数据集的打破联系主动学习和随机选择相比，它仅用86%和55%的训练样本就实现了相同的分类准确率。
2020-06-29 cs.CV cs.LG
Histogram Layers for Synthetic Aperture Sonar Imagery
Naval Surface Warfare Center Panama City Division（巴拿马城海军水面作战中心分部）；University of Missouri（密苏里大学）；University of Florida（佛罗里达大学）；Texas A&M University（德州农工大学）
针对深度学习模型提取的特征难以捕捉合成孔径声呐（SAS）图像特定纹理信息的问题，研究者提出将直方图层应用于SAS图像，通过融入统计纹理信息提升了模型在合成与真实数据集上的性能。
2022-09-08 cs.AI cs.CV cs.LG
Denoising based on wavelets and deblurring via self-organizing map for Synthetic Aperture Radar images
这项工作涉及无监督图像去模糊。我们提出了一种新的去模糊过程中提供的图像由低分辨率合成孔径雷达（SAR）或简单的多媒体存在的乘性（斑点）或加性噪声，分别。我们提出的方法被定义为两步过程。首先，我们在小波域中使用一种原始的降噪技术。然后，Kohonen自组织映射（SOM）的学习直接对去噪图像执行，以取出它的模糊。该方法已成功地应用于实际SAR图像，仿真结果表明，所提出的算法的有效性。
2016-07-31 cs.CV
Fast Automatic Visibility Optimization for Thermal Synthetic Aperture Visualization
Johannes Kepler University（约翰内斯·开普勒大学）
在这篇文章中，我们描述和验证的第一个全自动参数优化热合成孔径可视化。它取代了以前的手动探索参数空间，这是耗时和容易出错。我们证明了目标在热积分图像中的可见性与目标图像的方差成正比。由于这对于遮挡是不变的，因此它表示用于优化的合适的目标函数。我们的研究结果有可能使完全自主的搜索和回避行动与相机无人机。
2020-05-08 cs.CV cs.GR
SH-SAS: An Implicit Neural Representation for Complex Spherical-Harmonic Scattering Fields for 3D Synthetic Aperture Sonar
Arizona State University（亚利桑那州立大学）；Dartmouth College（达特茅斯学院）
本文提出SH-SAS隐式神经表示，利用球谐系数建模复杂声散射场，通过多分辨率哈希编码器与轻量级MLP预测复系数，直接从一维飞行时间信号训练，在合成与真实SAS基准上实现了更优的三维重建质量。
2025-09-14 cs.CV cs.GR cs.LG
Advances in Self-Supervised Learning for Synthetic Aperture Sonar Data Processing, Classification, and Pattern Recognition
Naval Surface Warfare Center Panama City Division（海军水面战中心巴拿马城分部）
针对合成孔径声呐（SAS）标注数据稀缺限制深度学习应用的问题，提出结合自监督学习的MoCo-SAS方法，在F1分数上显著优于传统监督方法，为水下目标检测分类提供新方向。
2023-08-12 cs.CV cs.LG eess.SP
SARFormer -- An Acquisition Parameter Aware Vision Transformer for Synthetic Aperture Radar Data
University of the Bundeswehr Munich（慕尼黑联邦国防军大学）；Department of Aerospace Engineering（航空航天工程系）
本文提出SARFormer，通过采集参数编码模块改进ViT以处理SAR图像，并结合自监督预训练，在高度重建与分割任务上较基线最高降低17%的RMSE。
2025-04-11 cs.CV
Light Field Stitching for Extended Synthetic Aperture
Istanbul Medipol University（伊斯坦布尔梅迪波尔大学）
通过捕获空间和角度辐射分布，光场相机引入了传统相机不可能实现的新功能。到目前为止，在光场成像文献中，焦点一直集中在单个光场捕获的理论和应用上。通过组合多个光场，有可能获得新的能力和增强，甚至超越物理限制，例如成像设备的空间分辨率和孔径大小。在本文中，我们提出了一种算法，注册和缝合多个光场。我们利用光场数据的空间和角度采样的规律性，将立体视觉系统中的一些技术推广到光场数据。由于极小的基线和低空间分辨率，这种扩展对于基于微透镜阵列（MLA）的光场相机来说并不简单。通过合并由基于MLA的相机捕获的多个光场，我们获得更大的合成孔径，这导致光场能力的改进，例如增加的深度估计范围/精度和更宽的透视移位范围。
2016-11-15 cs.CV
Evaluation of Color Anomaly Detection in Multispectral Images For Synthetic Aperture Sensing
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）
在这篇文章中，我们评估无监督的异常检测方法在多光谱图像中获得的波长无关的合成孔径传感技术，称为机载光学切片（AOS）。重点是搜索和救援任务，应用无人机在茂密的森林中定位失踪或受伤人员，并需要实时操作，我们评估这些方法的运行时间与质量。此外，我们表明，通常在视觉范围内工作的颜色异常检测方法总是受益于一个额外的远红外（热）通道。我们还表明，即使没有额外的热带，在视觉范围内的颜色空间的选择已经对检测结果的影响。像HSV和HLS这样的颜色空间有可能优于广泛使用的RGB颜色空间，特别是当颜色异常检测用于森林环境时。
2022-11-08 cs.CV
Enhanced Directional Smoothing Algorithm for Edge-Preserving Smoothing of Synthetic-Aperture Radar Images
SAOCOM Mission, National Commission of Space Activities (CONAE)（阿根廷国家空间活动委员会（CONAE）SAOCOM任务）
合成孔径雷达（SAR）图像中存在明显的斑点噪声，斑点噪声通常被认为是一种纯乘性噪声过程。理论上，这种乘性噪声是标准偏差与信号值之比，即“变异系数”，理论上在SAR图像中的每一点上都是恒定的。大多数用于散斑抑制的滤波器都是基于此属性。这种性质是不相关的新的滤波器结构，这是基于方向平滑（DS）理论，增强方向平滑（EDS），从SAR图像中去除斑点噪声，而不模糊边缘。我们证明了这种新的滤波方法的有效性，通过比较它建立斑点噪声去除技术的SAR图像。
2016-08-05 cs.CV
Synthetic Aperture Sensing for Occlusion Removal with Drone Swarms
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）
我们展示了自主无人机群在检测和跟踪茂密森林地区的遮挡目标方面的效率，例如在搜索和救援任务中迷路的人。探索和优化局部观察条件，如遮挡密度和目标视图清晰度，提供了比以前更快和更可靠的结果，盲采样策略是基于预定义的航点。一个适应的实时粒子群优化算法和一个新的目标函数，能够处理动态和高度随机的通过树叶的条件。合成孔径传感是我们的基本采样原理，无人机群被用来近似极宽和适应性极强的机载镜头的光学信号。
2022-12-30 cs.CV cs.RO
Application of the Modified Fractal Signature Method for Terrain Classification from Synthetic Aperture Radar Images
National Technical University of Athens（雅典国家技术大学）
本文将改进的分形特征方法应用于SET 163 SAR雷达技术工作组提供给本课题组的真实合成孔径雷达图像。该方法利用覆盖技术为SAR图像分类提供有用的信息。它是基于计算橡皮布的体积，对应于要分类的图像，然后基于计算得到的图像的相应分形面积曲线和分形维数曲线。该技术的主要思想是，在SAR图像中遇到的不同的地形类型产生不同的值的分形面积曲线和分形维数曲线，根据不同类型的地形的分类是可能的。在此基础上，提出了城市、郊区、农村、山区和海洋五种不同地形类型的分类方法。
2014-01-08 cs.CV
Online Sparse Synthetic Aperture Radar Imaging
本文提出在线快速迭代收缩阈值算法（Online FISTA）用于在线稀疏编码重建雷达图像，减少内存需求并提升下游任务如自动目标识别的效率。
2026-03-15 cs.CV
Feature Augmentation Improves Anomalous Change Detection for Human Activity Identification in Synthetic Aperture Radar Imagery
New Mexico Institute of Mining and Technology（新墨西哥矿业技术学院）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Descartes Labs, Inc.（笛卡尔实验室公司）
异常变化检测（ACD）方法将在不同时间点收集的共配准图像中常见的、不感兴趣的变化与罕见的、显著的变化分开。在本文中，我们评估的方法，以提高性能的ACD在检测人类活动的SAR图像使用户外音乐节作为目标。我们的研究结果表明，SAR数据的低维导致ACD的性能不佳时，相比，更简单的方法，如图像差分，但增加我们的输入特征空间的维数，将本地空间信息，导致增强的性能。
2020-05-15 cs.CV
Patch distribution modeling framework adaptive cosine estimator (PaDiM-ACE) for anomaly detection and localization in synthetic aperture radar imagery
Texas A&M University（德克萨斯大学）
提出PaDiM-ACE方法，将ACE检测统计量引入PaDiM框架，用余弦相似度替代马氏距离，实现SAR图像有界异常检测与定位，提升AUROC性能。
2025-06-17 cs.CV
Automatic Target Recognition on Synthetic Aperture Radar Imagery: A Survey
City University of London（伦敦城市大学）
自动目标识别（ATR）技术是提高军事平台智能化、自主化水平的核心技术之一。受此刺激，并考虑到合成孔径雷达（SAR）提出了几个优点，其对应的数据域，本文调查和评估目前的SAR ATR架构，采用最流行的数据集的SAR域，即运动和静止目标采集和识别（MSTAR）数据集。根据目前的方法趋势，我们提出了一个分类的SAR ATR架构，以及直接比较的优势和劣势，每种方法在标准和扩展的操作条件下。此外，尽管MSTAR是标准的SAR ATR基准数据集，我们也强调了它的弱点，并提出了未来的研究方向。
2020-12-12 cs.CV eess.IV eess.SP
SAD: A Large-scale Dataset towards Airport Detection in Synthetic Aperture Radar Images
机场在军事和民用领域都具有重要作用。基于合成孔径雷达（SAR）的机场目标检测技术近年来受到越来越多的关注。然而，由于SAR成像和注释过程的高成本，没有公开可用的SAR数据集用于机场检测。因此，深度学习方法在机场检测任务中尚未得到充分应用。为了给SAR图像机场检测研究提供基准，本文介绍了一个大规模SAR机场数据集（SAD）。为了充分反映现实世界的应用需求，它包含了来自Sentinel 1B的624幅SAR图像，覆盖了104个不同尺度、方向和形状的机场实例。在该数据集上进行的多种深度学习方法的实验证明了其有效性。开发最先进的机场区域检测算法或其他相关任务。
2022-04-07 cs.AI cs.CV
Iterative, Deep, and Unsupervised Synthetic Aperture Sonar Image Segmentation
Pennsylvania State University（宾夕法尼亚州立大学）
深度学习还没有被常规地用于合成孔径声纳（SAS）图像的海底环境的语义分割，这是由于这种方法所必需的大量训练数据的隐含需要。丰富的训练数据，特别是所有图像的像素级标签，由于复杂的物流（例如，潜水员测量、追踪船、精确位置信息）。已经提出了许多手工制作的基于特征的算法来以无监督的方式分割SAS。然而，由于这些方法的特征提取步骤是固定的，因此仍有改进的空间。在这项工作中，我们提出了一种新的迭代无监督算法，用于学习SAS图像分割的深度特征。我们提出的算法在聚类超像素和更新卷积神经网络（CNN）的参数之间交替，以便可以优化用于图像分割的特征提取。我们证明了我们的方法在一个现实的基准数据集的有效性。我们的研究结果表明，我们提出的方法的性能是大大优于目前国家的最先进的方法在SAS图像分割。
2021-07-30 cs.CV
RDAnet: A Deep Learning Based Approach for Synthetic Aperture Radar Image Formation
University of Southern California, Information Sciences Institute（南加州大学信息科学研究所）
合成孔径雷达（SAR）成像系统通过从诸如卫星的移动物体朝向感兴趣的目标发射雷达信号来操作。反射的雷达回波被接收，并随后由图像形成算法用于形成SAR图像。在计算机视觉任务中，如分类或自动目标识别，使用SAR图像有很大的兴趣。然而，今天，SAR应用包括多个操作：图像形成，然后是图像处理。在这项工作中，我们训练了一个深度神经网络，它可以执行图像形成和图像处理任务，并集成了SAR处理管道。结果表明，我们的集成管道可以输出准确分类的SAR图像与图像质量相媲美，形成了使用传统的算法。我们相信，这项工作是第一次展示了一个集成的基于神经网络的SAR处理管道使用真实的数据。
2021-02-01 cs.CV eess.IV
Soft Segmented Randomization: Enhancing Domain Generalization in SAR-ATR for Synthetic-to-Measured
Yeungnam University（岭南大学）；POSTECH（浦项科技大学）；LIG Nex1 Co., Ltd.（LIG Nex1公司）
针对合成孔径雷达合成数据与实测数据差异导致模型性能下降的问题，提出软分段随机化框架，利用高斯混合模型对目标与杂波区域进行软分割并引入随机变化，显著提升了模型在实测数据上的泛化性能。
2024-09-21 cs.CV
Deep Learning for End-to-End Automatic Target Recognition from Synthetic Aperture Radar Imagery
Toshiba Infrastructure Systems & Solutions Corporation（东芝基础设施系统与解决方案公司）
合成孔径雷达（SAR）自动目标识别（ATR）的标准结构包括三个阶段：检测、鉴别和分类。近年来，已经提出了用于SAR ATR的卷积神经网络（CNN），但是它们中的大多数从从SAR图像提取的目标芯片中分类目标类，作为SAR ATR的第三阶段的分类。在这份报告中，我们提出了一种新的CNN的端到端ATR从SAR图像。CNN命名的验证支持网络（VersNet）执行SAR ATR的所有三个阶段。VersNet输入具有多个类别和多个目标的任意大小的SAR图像，并输出表示每个检测到的目标的位置、类别和姿态的SAR ATR图像。本报告描述了VersNet的评估结果，该测试训练输出所有12个类别的分数：10个目标类别，一个目标前端类别和一个背景类别，使用移动和静止目标采集和识别（MSTAR）公共数据集为每个像素。
2018-01-25 cs.CV
Synthetic Aperture Anomaly Imaging
Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校）
针对植被遮挡下的无人机目标检测，本文提出先检测异常再进行合成孔径积分的 SAAI 方法，并通过仿真与野外实验验证其优于在积分图像中检测异常。
2023-04-26 cs.CV eess.IV
Additional Representations for Improving Synthetic Aperture Sonar Classification Using Convolutional Neural Networks
Pennsylvania State University（宾夕法尼亚州立大学）；Centre for Maritime Research & Experimentation（海事研究与实验中心）
合成孔径声纳（SAS）图像中的目标分类通常是一个数据匮乏和类别不平衡的问题。在许多温和的海底中，几乎没有感兴趣的物体。尽管存在这些问题，目前的分类技术丢弃了大部分收集的SAS信息。特别是，波束形成的SAS图像，我们称之为单视复数（SLC）图像，包含由实部和虚部组成的复数像素。对于人类消费，SLC被转换为幅度-相位表示，并且相位信息被丢弃。甚至更有问题的是，幅度信息通常表现出大的动态范围（> 80 dB），并且必须被动态范围压缩以供人类显示。通常，这种动态范围压缩表示最初是为人类消费而设计的，它被馈送到分类器中。因此，分类过程完全没有相位信息。在这项工作中，我们使用SLC的相位信息以及来自另一个来源的信息：照片的分类性能的改善。我们进行统计测试，以证明我们的结果的有效性。
2018-10-15 cs.CV
Improved Automatic Target Recognition in Synthetic Aperture Sonar Imagery Using Large Deep Neural Networks
该研究对比CNN与Transformer等DNN架构的性能，探究网络规模、预训练等因素对合成孔径声呐自动目标识别的影响，旨在生成高性能模型并提供训练路线图。
2026-11-04 cs.CV
Benchmarking Suite for Synthetic Aperture Radar Imagery Anomaly Detection (SARIAD) Algorithms
Texas A&M University（德克萨斯农工大学）
针对SAR图像异常检测缺乏开发和基准测试方法的问题，该研究引入SARIAD基准测试套件，结合Anomalib库提供算法、数据集、指标及可视化功能，支持SAR图像异常检测方法的开发与评估。
2025-04-10 cs.AI cs.CV cs.LG
Explainable, Physics Aware, Trustworthy AI Paradigm Shift for Synthetic Aperture Radar
识别或理解SAR系统观察到的场景需要更广泛的线索，超出了空间背景。这些包括但不限于：成像几何结构、成像模式、图像的傅立叶光谱的性质或偏振特征的行为。在本文中，我们提出了一个范式的变化，在数据科学的情况下，合成孔径雷达（SAR）数据的可解释性接地SAR的可解释的AI。它旨在使用基于完善模型的可解释数据转换来生成人工智能方法的输入，为训练过程提供知识反馈，并从数据中学习或改进高复杂性未知或非形式化模型。首先，我们介绍了SAR系统的物理层的表示：i）仪器和平台，ii）成像形成，iii）散射特征和对象，可以与AI模型集成进行混合建模。随后，给出了一些示例来演示如何实现SAR图像理解的混合建模。可信模型的观点和补充解释将在后面讨论。最后，我们得出结论，我们认为所提出的概念是适用于整个类的相干成像传感器和其他计算成像系统。
2023-01-09 cs.AI cs.CV cs.LG
Synthetic Aperture Radar Image Change Detection via Layer Attention-Based Noise-Tolerant Network
Ocean University of China（中国海洋大学）；Mississippi State University（密西西比州立大学）；Southwest Jiaotong University（西南交通大学）
近年来，基于卷积神经网络（CNN）的合成孔径雷达（SAR）图像变化检测方法得到了越来越多的研究关注。然而，现有的基于CNN的方法忽略了多层卷积之间的相互作用，并且预分类中涉及的错误限制了网络优化。为此，我们提出了一种基于层注意力的噪声容忍网络，称为LANTNet。特别是，我们设计了一个层注意模块，自适应加权不同的卷积层的功能。此外，我们设计了一个噪声容忍的损失函数，有效地抑制噪声标签的影响。因此，该模型对预分类结果中的噪声标签不敏感。在三个SAR数据集上的实验结果表明，所提出的LANTNet的性能优于几个国家的最先进的方法。源代码可在https://github.com/summitgao/LANTNet上获得
2022-08-09 cs.CV eess.IV
Scalable deep fusion of spaceborne lidar and synthetic aperture radar for global forest structural complexity mapping
University of Maryland（马里兰大学）
针对星载激光雷达采样稀疏难以实现高分辨率连续制图的问题，提出融合GEDI与多模态SAR的可扩展深度学习框架，生成全球25米分辨率森林结构复杂度图，支持多时相监测与生态保护应用。
2025-10-07 cs.CV cs.LG stat.AP
A Multiple Radar Approach for Automatic Target Recognition of Aircraft using Inverse Synthetic Aperture Radar
University of Texas Rio Grande Valley（德克萨斯大学里奥格兰德河谷分校）
随着雷达技术的发展，利用合成孔径雷达（SAR）和逆合成孔径雷达（ISAR）进行自动目标识别（ATR）已成为一个活跃的研究领域。SAR/ISAR是生成目标的二维高分辨率图像的雷达技术。与其他使用卷积神经网络（CNN）来解决这个问题的类似实验不同，我们使用了一种不同寻常的方法，可以带来更好的性能和更快的训练时间。我们的CNN使用由模拟产生的复杂值来训练网络;此外，我们利用多雷达方法来提高训练和测试过程的准确性，从而导致比其他SAR/ISAR ATR论文更高的准确性。我们用我们开发的雷达模拟器RadarPixel生成了7种不同飞机模型的数据集;它是一个使用Matlab和Java编程实现的Windows GUI程序，该模拟器能够准确地复制真实的SAR/ISAR配置。我们的目标是利用我们的多雷达技术，并确定所需的雷达检测和分类目标的最佳数量。
2018-03-12 cs.CV
Self-Supervised Learning for Improved Synthetic Aperture Sonar Target Recognition
Naval Surface Warfare Center（海军水面作战中心）
本研究提出将自监督学习应用于合成孔径声纳图像目标识别，通过评估MoCov2和BYOL算法，发现在少样本场景下SSL优于全监督模型，为减少数据标注成本提供了可行替代方案。
2023-07-27 cs.CV cs.LG eess.IV
Fuzzy thresholding in wavelet domain for speckle reduction in Synthetic Aperture Radar images
将小波变换应用于合成孔径雷达（SAR）图像可以改善斑点噪声抑制性能。为了将乘性噪声的滤波问题推导为加性噪声的情况，对图像灰度级的对数执行小波分解。二维离散小波变换（DWT-2D）产生的细节系数需要阈值化，以提取最高子带中的斑点噪声。根据噪声方差估计初始阈值。在本文中，一个额外的模糊阈值的方法自动确定率阈值水平周围的传统小波噪声阈值（初始阈值）的应用，并用于软或硬阈值上执行的所有高频子图像。然后，通过从阈值化系数重构来获得滤波后的对数图像。这个过程只应用一次，并且只应用于第一级分解。该重建图像的指数函数给出最终的滤波图像。在测试图像上的实验结果表明，与目前使用的大多数方法相比，该方法是有效的。
2016-07-31 cs.CV
Deep Learning Methods For Synthetic Aperture Radar Image Despeckling: An Overview Of Trends And Perspectives
合成孔径雷达（SAR）图像受相干斑噪声的影响，相干斑噪声具有空间相关性，并且与信号相关，严重影响了图像的利用。去斑是一项重要的任务，其目的在于去除这种噪声，以便提高所有下游图像处理任务的精度。第一个去斑方法可以追溯到20世纪70年代，并在随后的几年中开发了几种基于模型的算法。该领域受到了越来越多的关注，强大的深度学习模型的可用性使其在图像处理中的逆问题方面表现出色。本文综述了应用于SAR降斑的深度学习方法的文献，涵盖了监督和最近的自监督方法。我们对现有方法进行了批判性分析，目的是识别最有前途的研究路线，确定限制深度模型成功的因素，并提出前进的方向，以充分利用深度学习在SAR降斑方面的潜力。
2021-05-02 cs.CV eess.IV
FAD-SAR: A Novel Fishing Activity Detection System via Synthetic Aperture Radar Images Based on Deep Learning Method
Renmin University of China（中国人民大学）；National Taiwan University（台湾大学）；Tokyo University of Agriculture and Technology（东京农工大学）；Tamkang University（淡江大学）
针对传统海上IUU捕捞检测方法的局限，提出基于深度学习的SAR图像捕捞活动检测系统FAD-SAR，在xView3数据集上测试多种检测模型，并通过OHEM策略提升Faster R-CNN的Avg-F1值。
2024-07-12 cs.CV
Novel Batch Active Learning Approach and Its Application to Synthetic Aperture Radar Datasets
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Minnesota（明尼苏达大学）
针对批量主动学习效率高但准确率难匹配序列主动学习的问题，提出由DAC核心集生成和LocalMax批量采样组成的两阶段批量主动学习方法，构建的SAR图像分类流水线在FUSAR-Ship等数据集上优于现有CNN方法。
2023-07-19 cs.CV cs.LG eess.SP
Automotive Elevation Mapping with Interferometric Synthetic Aperture Radar
University of California, Berkeley（加州大学伯克利分校）；Zendar Inc.（曾达公司）
针对车载雷达波达方向分析受分辨率和灵敏度限制的问题，提出将InSAR与自动驾驶定制信号处理结合的低计算量方法，可实现低分辨率雷达阵列的三维目标定位与环境精细测绘，支撑自主感知决策。
2025-01-14 cs.CV eess.IV eess.SP
Deep Learning-Based Anomaly Detection in Synthetic Aperture Radar Imaging
本文研究了合成孔径雷达（SAR）图像中的非监督异常检测问题。我们的方法认为异常的异常模式，偏离他们的周围环境，但没有任何先验知识，他们的特点。在文献中，大多数基于模型的算法面临三个主要问题。首先，斑点噪声破坏图像，并可能导致许多错误的检测。其次，统计方法可能会表现出不足之处，在SAR图像的空间相关性建模。最后，神经网络的基础上监督学习的方法不建议，由于缺乏注释的SAR数据，特别是异常模式的类。我们提出的方法旨在通过自监督算法解决这些问题。首先通过深度学习SAR 2SAR算法去除斑点。然后，训练一个对抗性的自编码器来重建无异常的SAR图像。最后，在输入和输出之间应用变化检测处理步骤以检测异常。实验结果表明，与传统的Reed-Xiaoli算法相比，该方法具有明显的优势，并强调了有效的降斑预处理步骤的重要性。
2022-10-28 cs.CV stat.ML
A machine learning approach for image classification in synthetic aperture RADAR
Department of Mathematics and Statistics University of Limerick（数学与统计学系利默里克大学）；Health Research Institute (HRI)（健康研究中心）；Department of Computer Science and Information Systems University of Limerick（计算机科学与信息系统系利默里克大学）
本研究采用卷积神经网络和单次散射近似，对SAR图像中的地面目标形状及冰类型进行分类，实验准确率均不低于75%，并探讨了天线高度对分类性能的影响。
2025-08-06 cs.CV cs.NA math.NA
Change Detection in Synthetic Aperture Radar Images Using a Dual-Domain Network
Ocean University of China（中国海洋大学）；Mississippi State University（密西西比州立大学）；Southwest Jiaotong University（西南交通大学）
合成孔径雷达（SAR）图像变化检测是一项关键而又具有挑战性的任务。现有的方法主要集中在空间域的特征提取，对频域的关注较少。此外，在逐块特征分析中，边缘区域中的一些噪声特征可能被引入。为了解决上述两个问题，我们提出了一个双域网络。具体地说，我们从离散余弦变换域的功能考虑和整形的DCT系数集成到所提出的模型作为频域分支。从频域和空间域的特征表示被用来减轻斑点噪声。此外，我们进一步提出了一个多区域卷积模块，它强调了每个补丁的中心区域。上下文信息和中心区域特征自适应建模。在三个SAR数据集上的实验结果证明了该模型的有效性。我们的代码可在https://github.com/summitgao/SAR_CD_DDNet上获得。
2021-04-15 cs.CV eess.IV
Change Detection Using Synthetic Aperture Radar Videos
University of Moratuwa（莫拉图瓦大学）；Sandia National Laboratories（桑迪亚国家实验室）
人们已经开展了许多研究，利用时间SAR图像的变化检测。本文提出了一种基于SAR视频的变化检测算法。存在与SAR视频相关的各种挑战，例如高水平的斑点噪声、由于机载车辆的圆周运动而导致的视频的SAR图像帧围绕特定轴的旋转、SAR脉冲的非均匀后向散射。因此，用于光学视频和SAR时间图像的常规变化检测算法不能直接用于SAR视频。我们提出了一种算法，这是一个组合的光流计算使用卢卡斯Kanade（LK）方法和斑点检测。所开发的方法遵循四个步骤的方法：图像滤波和增强，应用LK方法，斑点分析和LK方法与斑点分析相结合。所开发的方法的性能进行了测试，在桑迪亚国家实验室网站上提供的SAR视频和SAR模拟器生成的SAR视频。
2020-07-28 cs.CV
Target Detection and Segmentation in Circular-Scan Synthetic-Aperture-Sonar Images using Semi-Supervised Convolutional Encoder-Decoders
Naval Surface Warfare Center（海军水面作战中心）；Naval Sea Systems Command（海军海上系统司令部）；University of Florida（佛罗里达大学）
我们提出了一个框架，基于显着性，多目标检测和分割的圆扫描，合成孔径声纳（CSAS）图像。我们的框架依赖于多分支卷积编码器-解码器网络（MB-CEDN）。MB-CEDN的编码器部分从CSAS图像中提取视觉对比度特征。这些特征被送入双解码器，执行像素级分割以掩盖目标。每个解码器提供不同的视角，以构成一个显着的目标。这些意见被聚合并级联到一个深度解析网络中，以细化分割。我们使用由五个广泛目标类别组成的真实世界CSAS图像来评估我们的框架。我们比较现有的方法，从计算机视觉文献。我们表明，我们的框架优于为自然图像设计的有监督的深度显着性网络。它大大优于为自然图像开发的无监督显着性方法。这说明，可能需要改变基于自然图像的模型，以有效地用于这种成像声纳模态。
2022-02-17 cs.AI cs.CV
Change Detection from Synthetic Aperture Radar Images via Graph-Based Knowledge Supplement Network
Ocean University of China（中国海洋大学）；Meteorological Bureau of Tianjin Municipality（天津市气象局）；Mississippi State University（密西西比州立大学）
合成孔径雷达（SAR）图像变化检测是遥感图像分析领域中一个重要而又具有挑战性的课题。大多数以前的作品采用自监督的方法，使用伪标记的样本来指导后续的训练和测试。然而，深度网络通常需要许多高质量的样本来进行参数优化。伪标签中的噪声不可避免地影响最终的变化检测性能。为了解决这个问题，我们提出了一个基于图的知识补充网络（GKSNet）。更具体地说，我们从已有的标记数据集中提取判别信息作为附加知识，在一定程度上抑制噪声样本的不利影响。然后，我们设计了一个图转换模块，从标记数据集到目标数据集的上下文信息，它的桥梁数据集之间的特征相关性。为了验证所提出的方法，我们进行了广泛的实验，四个SAR数据集，这表明了所提出的GKSNet相比，几个国家的最先进的基线的优越性。我们的代码可在https://github.com/summitgao/SAR_CD_GKSNet上获得。
2022-02-09 cs.CV eess.IV
Exploring DINO: Emergent Properties and Limitations for Synthetic Aperture Radar Imagery
Universidad Nacional de Colombia（哥伦比亚国立大学）；European Space Agency（欧洲空间局）；Universitat de València（瓦伦西亚大学）；University of Cambridge（剑桥大学）；University of Oxford（牛津大学）；Universidad de Antioquia（安蒂奥基亚大学）
本文研究DINO自监督学习在SAR影像土地覆盖分割中的涌现特性，发现ViT注意力图对遥感具有重要内在价值，为更大规模地球观测SSL模型奠定基础。
2023-12-02 cs.CV
Optical images-based edge detection in Synthetic Aperture Radar images
Instituto Nacional de Pesquisas Espaciais（国家空间研究所）；Universidade Federal de Alagoas（阿拉戈斯联邦大学）；Universidad Pública de Navarra（纳瓦拉公立大学）
我们解决的问题，适应光学图像为基础的边缘检测技术用于极化合成孔径雷达（PolSAR）图像。我们修改的引力边缘检测技术（灵感来自万有引力定律）提出的Lopez-Molina等人，使用非标准的邻域配置傅等人提出的，以减少斑点噪声极化SAR图像。我们比较修改和未修改的版本的重力边缘检测技术与Canny提出的完善的一个，以及最近的多尺度模糊为基础的技术提出的洛佩兹-Molina等Alejandro我们还解决了聚集的灰度图像之前和之后的边缘检测和过滤的问题。这里解决的所有技术都适用于马赛克建成使用类分布从一个真实的场景，以及真正的PolSAR图像，马赛克的结果进行评估，使用巴德利的三角洲度量。我们的实验表明，修改重力边缘检测技术与非标准的邻域配置产生更好的结果比原来的技术，以及用于比较的其他技术。实验表明，将计算智能中的边缘检测方法应用于极化SAR图像是一个值得探索的新领域。
2015-08-24 cs.CV
Multi-Frame Blind Manifold Deconvolution for Rotating Synthetic Aperture Imaging
School of Mathematics, Statistics and Actuarial Science, University of Kent（肯特大学数学、统计与精算科学学院）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）
针对旋转合成孔径图像去模糊问题，提出一种基于流形拟合与惩罚的多帧盲反卷积新方法，并开发了快速算法，仿真表明其能更精确估计像素强度并保留结构细节，优于传统方法。
2025-01-31 cs.CV eess.SP stat.ME
Quantum Annealing Approaches to the Phase-Unwrapping Problem in Synthetic-Aperture Radar Imaging
University of Victoria（维多利亚大学）；QB Information Technologies (1QBit)（1QB信息技术公司（1QBit））
这项工作的重点是探索使用量子退火解算器的合成孔径雷达（SAR）图像的相位展开的问题。虽然存在基于网络编程的解决方案，但这些技术不能很好地扩展到更大尺寸的图像。我们的方法涉及制定的问题作为一个二次无约束二进制优化（QUBO）的问题，可以使用量子退火。考虑到量子退火器的当前实施例在它们拥有的量子比特数量上仍然有限，我们将问题分解为一组可以单独解决的子问题。这些单独的解决方案接近最佳的整数常数，每个子图像一个常数。在第二阶段，这些整数常数被确定为另一个QUBO问题的解决方案。我们测试我们的方法与各种基于软件的QUBO求解器和各种图像，合成和真实的。此外，我们使用D-Wave Systems的量子退火机D-Wave 2000 Q进行实验。基于软件的解算器可获得与最先进的相位展开解算器相当的高质量解决方案。我们目前正致力于将问题最优地映射到量子退火机的受限拓扑上，以提高解决方案的质量。
2020-10-01 cs.CV eess.SP
ESAR: Event-Based Synthetic Aperture Reconstruction
Center for Mathematics and Artificial Intelligence and Department of Mathematical Sciences, George Mason University（数学与人工智能中心和数学科学系，乔治·马歇尔大学）
研究单目基于事件的成像，将其公式化为合成孔径逆问题，通过聚合事件得到线性化模型，利用正则化反演恢复对数辐射率场，实验表明该方法能恢复大规模空间结构并抑制细粒度纹理。
2026-07-17 cs.CV eess.IV eess.SP
Application of Multifractal Analysis to Segmentation of Water Bodies in Optical and Synthetic Aperture Radar Satellite Images
National Scientific and Technical Research Council (CONICET)（国家科学技术研究委员会（CONICET））；Institute of Human Development, National University of General Sarmiento（萨米恩托将军国立大学人类发展研究所）；Faculty of Natural Sciences, National University of La Pampa（拉潘帕国立大学自然科学学院）
提出了一种在光学和合成孔径雷达（SAR）卫星图像中分割水体的方法。它利用图像中不同区域的纹理特征进行分割。该方法包括在图像的多尺度分析，这使我们能够研究图像的规律性，局部和全球。作为分析的结果，粗的多重分形谱的研究图像和一组图像，每个位置（像素）与其相应的值的局部规则性（或奇异性）的频谱。然后，将多重分形谱应用于图像的分类。这些阈值是在研究了水体比其他土壤类型具有更大的局部规律性的假设下的光谱特性后选择的。通过多重分形方法获得的分类进行了定量比较与那些通过神经网络训练，以分类的图像中的像素覆盖对未覆盖的水。在光学图像中，分类也与使用所谓的归一化差分水指数（NDWI）得出的分类进行比较。
2016-04-08 cs.CV physics.data-an
Measuring Human Assessed Complexity in Synthetic Aperture Sonar Imagery Using the Elo Rating System
Applied Research Labs Penn State（宾夕法尼亚州立大学应用研究实验室）
合成孔径声纳数据的自动目标识别性能在很大程度上取决于波束形成图像的复杂性。有几种机制可能会导致这种情况，包括不必要的车辆动力学，场景的水深测量以及自然和人为杂波的存在。为了理解环境复杂性对图像感知的影响，研究人员采用了植根于信息论或视觉学的方法。尽管有这些努力，复杂性的定量测量并没有与它所来源的现象学相关。通过使用主题专家（中小企业），我们得出了一个复杂性度量的一组图像，占潜在的现象。这项工作的目标是发展的几个常见的信息理论和启发式的措施是如何相关的中小企业认为在合成孔径声纳图像的复杂性的理解。为了实现这一目标，从跨越多个环境的高频SAS数据集中裁剪了一组10米x 10米的图像。向SME提供了成对的图像，他们可以从中对图像的相对复杂性进行评级。然后使用A首先开发的方法将这些比较转换为所需的顺序排名。用于建立国际象棋选手的排名。Elo方法在广泛的数据集上产生了一个合理的等级排序。然后将启发式和信息理论度量与它们所来源的图像排名进行比较。具有最高相关度的度量是与空间信息相关的度量，例如像素强度的变化，R平方值约为0.9。然而，这种一致性取决于测量空间变化的尺度。结果也将提出许多其他措施，包括空隙，图像压缩，熵。
2018-08-15 cs.CV
Using Shadows in Circular Synthetic Aperture Sonar Imaging for Target Analysis
Thales DMS France SAS（泰雷兹法国防务与安全系统公司）；DGA Naval Techniques（法国国防采购局海军技术部）；Thales UK（泰雷兹英国公司）
本文提出利用CSAS数据中的阴影信息，通过子孔径滤波和固定焦点阴影增强技术，提升目标分析和三维重建的性能。
2026-01-23 cs.CV eess.SP
Deep Autofocus for Synthetic Aperture Sonar
合成孔径声纳（SAS）需要精确的位置和环境信息，以在图像重建步骤中产生聚焦良好的输出。然而，这些测量中的误差通常会导致散焦图像。为了克服这些问题，采用\emph{autofocus}算法作为图像重建之后的后处理步骤，以便使用图像内容本身来改善图像质量。这些算法通常是迭代的和基于度量的，因为它们寻求优化图像清晰度度量。在这封信中，我们展示了机器学习的潜力，特别是深度学习，以解决自动对焦问题。我们将这个问题表述为一个自我监督的相位误差估计任务，使用我们称为深度自动聚焦的深度网络。我们的公式具有非迭代（因此速度快）的优点，并且不需要其他去模糊深度学习方法经常需要的地面真实聚焦-散焦图像对。我们将我们的技术与一组使用梯度下降在真实世界数据集上优化的常见锐度度量进行比较。我们的结果表明，深度自动聚焦可以产生在感知上与基准迭代技术一样好的图像，但计算成本要低得多。我们的结论是，我们提出的深度自动对焦可以提供一个更有利的成本质量权衡比国家的最先进的替代品具有显着的潜力，未来的研究。
2021-07-30 cs.CV eess.IV
Weakly-Supervised Semantic Segmentation of Circular-Scan, Synthetic-Aperture-Sonar Imagery
Naval Surface Warfare Center（海军水面作战中心）；Naval Sea Systems Command（海军海上系统司令部）
针对CSAS声呐图像，提出结合不确定性种子选择、信息论渐进重塑和内容可寻址记忆的弱监督分割框架，性能媲美全监督方法并显著优于现有弱监督网络。
2024-01-20 cs.CV cs.LG eess.IV
