作者中心
专家审稿
责编办公
编辑办公全文下载排行
1
2026, 15(2): 387-408.
摘要
4613KB
深度学习虽已成为合成孔径雷达(SAR)图像目标检测领域主流方法，但其性能高度依赖于大规模标注数据集。在测试不同分布的SAR数据时，模型的检测性能会出现一定程度下降，难以直接迁移应用，且人工标注成本高昂。针对此瓶颈，学术界开始探索基于多源信息的跨域学习策略，通过整合不同来源(传感器)的光学遥感图像或异源SAR图像等先验信息，辅助检测模型实现跨域知识迁移。该文聚焦深度学习框架下的跨域学习技术，系统梳理该领域最新研究进展，分析该领域的核心问题，从方法论层面分析现有技术的核心优势与适用场景，并基于技术演进规律提出未来发展方向，旨在为提升SAR图像目标检测的泛化能力提供理论支撑与方法论参考。
深度学习虽已成为合成孔径雷达(SAR)图像目标检测领域主流方法，但其性能高度依赖于大规模标注数据集。在测试不同分布的SAR数据时，模型的检测性能会出现一定程度下降，难以直接迁移应用，且人工标注成本高昂。针对此瓶颈，学术界开始探索基于多源信息的跨域学习策略，通过整合不同来源(传感器)的光学遥感图像或异源SAR图像等先验信息，辅助检测模型实现跨域知识迁移。该文聚焦深度学习框架下的跨域学习技术，系统梳理该领域最新研究进展，分析该领域的核心问题，从方法论层面分析现有技术的核心优势与适用场景，并基于技术演进规律提出未来发展方向，旨在为提升SAR图像目标检测的泛化能力提供理论支撑与方法论参考。
2
2025, 14(5): 1276-1293.
该文针对飞鸟和无人机等低慢小目标精细化特征提取和分类问题，提出了一种多波段多角度特征融合分类方法。首先分别基于K波段和L波段调频连续波雷达从多个角度采集了5种类型旋翼无人机和飞鸟模型数据，构建低慢小探测数据集。其次，为了获取L波段目标信号的周期性振动特征，利用经验模态分解提取L波段信号中高频特征，抑制噪声影响；对K波段回波信号进行短时傅里叶变换，获得多角度高分辨微动特征。然后，设计了一种多波段多角度特征融合网络模型(MMFFNet)，包含改进的卷积长短期记忆网络时序特征提取模块、注意力融合模块和多尺度特征融合模块，通过多波段多角度特征的融合提高了目标分类的准确率。通过实测数据集验证表明，与使用单一雷达特征分类方法相比，在高信噪比为5 dB和低信噪比为–3 dB条件下所提方法对7种类型的低慢小目标的正确分类准确率分别提高了3.1%和12.3%。
该文针对飞鸟和无人机等低慢小目标精细化特征提取和分类问题，提出了一种多波段多角度特征融合分类方法。首先分别基于K波段和L波段调频连续波雷达从多个角度采集了5种类型旋翼无人机和飞鸟模型数据，构建低慢小探测数据集。其次，为了获取L波段目标信号的周期性振动特征，利用经验模态分解提取L波段信号中高频特征，抑制噪声影响；对K波段回波信号进行短时傅里叶变换，获得多角度高分辨微动特征。然后，设计了一种多波段多角度特征融合网络模型(MMFFNet)，包含改进的卷积长短期记忆网络时序特征提取模块、注意力融合模块和多尺度特征融合模块，通过多波段多角度特征的融合提高了目标分类的准确率。通过实测数据集验证表明，与使用单一雷达特征分类方法相比，在高信噪比为5 dB和低信噪比为–3 dB条件下所提方法对7种类型的低慢小目标的正确分类准确率分别提高了3.1%和12.3%。
3
2026, 15(1): 1-25.
随着现代合成孔径雷达(SAR)三维成像系统对成像精度、效率及稳健性要求的不断提高，传统匹配滤波与压缩感知等方法三维成像性能受限。近年来，深度学习技术的迅猛发展为SAR三维成像提供了新的解决路径，通过将神经网络与雷达成像物理模型深度融合，形成了数据驱动与模型驱动协同的学习成像新范式。该文系统综述了深度学习在SAR三维成像中的研究进展，重点围绕超分辨成像与增强成像两大核心问题，基于前馈神经网络和深度展开网络的超分辨三维成像方法、多通道数据预处理和点云后处理三维增强成像方法论述了目前SAR三维成像方向的研究进展和研究热点，并综述了目前行业已公开发布的SAR三维成像数据集。此外，该文还探讨了当前深度学习SAR三维成像在高泛化高精度深度学习SAR超分辨三维成像技术研究、深度学习SAR高度维解模糊技术研究、深度学习SAR三维成像与图像增强一体化研究、深度学习SAR三维成像数据集构建等方面存在的研究挑战，并对未来发展趋势提出展望，旨在为相关领域学者提供研究参考和技术引导。
随着现代合成孔径雷达(SAR)三维成像系统对成像精度、效率及稳健性要求的不断提高，传统匹配滤波与压缩感知等方法三维成像性能受限。近年来，深度学习技术的迅猛发展为SAR三维成像提供了新的解决路径，通过将神经网络与雷达成像物理模型深度融合，形成了数据驱动与模型驱动协同的学习成像新范式。该文系统综述了深度学习在SAR三维成像中的研究进展，重点围绕超分辨成像与增强成像两大核心问题，基于前馈神经网络和深度展开网络的超分辨三维成像方法、多通道数据预处理和点云后处理三维增强成像方法论述了目前SAR三维成像方向的研究进展和研究热点，并综述了目前行业已公开发布的SAR三维成像数据集。此外，该文还探讨了当前深度学习SAR三维成像在高泛化高精度深度学习SAR超分辨三维成像技术研究、深度学习SAR高度维解模糊技术研究、深度学习SAR三维成像与图像增强一体化研究、深度学习SAR三维成像数据集构建等方面存在的研究挑战，并对未来发展趋势提出展望，旨在为相关领域学者提供研究参考和技术引导。
4
2026, 15(2): 409-440.
合成孔径雷达(SAR)在军事和民用领域应用广泛，SAR图像目标智能解译是SAR应用的重要组成部分。视觉语言模型在SAR目标解译过程中发挥了关键作用，通过引入自然语言理解有效弥补了SAR目标特性差异大和高质量标注样本稀缺的挑战，实现了从纯视觉解译到目标语义理解的发展。该文结合团队在SAR目标解译理论、算法及应用等方面的长期研究积累，对基于视觉语言的SAR图像目标智能解译进行了全面回顾和综述，深入分析了现有挑战和任务并总结了研究现状，汇总整理了公开数据集，系统梳理了从特定任务的视觉语言模型到对比式、对话式和生成式视觉语言模型和基础模型的发展历程，最后探讨了该领域的最新挑战与展望。
合成孔径雷达(SAR)在军事和民用领域应用广泛，SAR图像目标智能解译是SAR应用的重要组成部分。视觉语言模型在SAR目标解译过程中发挥了关键作用，通过引入自然语言理解有效弥补了SAR目标特性差异大和高质量标注样本稀缺的挑战，实现了从纯视觉解译到目标语义理解的发展。该文结合团队在SAR目标解译理论、算法及应用等方面的长期研究积累，对基于视觉语言的SAR图像目标智能解译进行了全面回顾和综述，深入分析了现有挑战和任务并总结了研究现状，汇总整理了公开数据集，系统梳理了从特定任务的视觉语言模型到对比式、对话式和生成式视觉语言模型和基础模型的发展历程，最后探讨了该领域的最新挑战与展望。
5
2023, 12(2): 456-469.
海上目标检测识别受制于海上目标及海杂波环境特性，基于实测数据认知海上目标的本质特征有利于推进目标检测识别技术进步。针对海上目标散射特性数据不足的问题，升级“雷达对海探测数据共享计划(SDRDSP)”，扩展雷达目标观测的物理维度、提升雷达及辅助数据采集能力，获取不同极化、海况下的海上目标及环境数据，构建海上目标双极化多海况散射特性数据集，并分析其统计分布特性、时间与空间相关性和多普勒谱特性，为数据使用提供支持。后续将推进海上目标类型与数量的持续积累，为海上目标检测识别性能提升和智能化发展提供数据支持。
海上目标检测识别受制于海上目标及海杂波环境特性，基于实测数据认知海上目标的本质特征有利于推进目标检测识别技术进步。针对海上目标散射特性数据不足的问题，升级“雷达对海探测数据共享计划(SDRDSP)”，扩展雷达目标观测的物理维度、提升雷达及辅助数据采集能力，获取不同极化、海况下的海上目标及环境数据，构建海上目标双极化多海况散射特性数据集，并分析其统计分布特性、时间与空间相关性和多普勒谱特性，为数据使用提供支持。后续将推进海上目标类型与数量的持续积累，为海上目标检测识别性能提升和智能化发展提供数据支持。
6
2023, 12(4): 906-922.
针对合成孔径雷达(SAR)图像中飞机散射点离散以及背景强干扰造成虚警的问题，该文提出了一种结合散射感知的SAR飞机检测识别方法。一方面，通过上下文引导的特征金字塔模块来增强全局信息，减弱复杂场景中强干扰的影响，提高检测识别的准确率。另一方面，利用散射关键点对目标进行定位，设计散射感知检测模块实现对回归框的细化校正，增强目标的定位精度。为了验证方法有效性、同时促进SAR飞机检测识别领域的研究发展，该文制作并公开了一个高分辨率SAR-AIRcraft-1.0数据集。该数据集图像来自高分三号卫星，包含4,368张图片和16,463个飞机目标实例，涵盖A220, A320/321, A330, ARJ21, Boeing737, Boeing787和other共7个类别。该文将提出的方法和常见深度学习算法在构建的数据集上进行实验，实验结果证明了散射感知方法的优异性能，并且形成了该数据集在SAR飞机检测、细粒度识别、检测识别一体化等不同任务中性能指标的基准。
针对合成孔径雷达(SAR)图像中飞机散射点离散以及背景强干扰造成虚警的问题，该文提出了一种结合散射感知的SAR飞机检测识别方法。一方面，通过上下文引导的特征金字塔模块来增强全局信息，减弱复杂场景中强干扰的影响，提高检测识别的准确率。另一方面，利用散射关键点对目标进行定位，设计散射感知检测模块实现对回归框的细化校正，增强目标的定位精度。为了验证方法有效性、同时促进SAR飞机检测识别领域的研究发展，该文制作并公开了一个高分辨率SAR-AIRcraft-1.0数据集。该数据集图像来自高分三号卫星，包含4,368张图片和16,463个飞机目标实例，涵盖A220, A320/321, A330, ARJ21, Boeing737, Boeing787和other共7个类别。该文将提出的方法和常见深度学习算法在构建的数据集上进行实验，实验结果证明了散射感知方法的优异性能，并且形成了该数据集在SAR飞机检测、细粒度识别、检测识别一体化等不同任务中性能指标的基准。
7
状态: , 更新:
针对低慢小(LSS)目标雷达分类中存在的特征提取不充分、时空关联建模能力薄弱及分类性能欠佳等问题，该文围绕图网络特征提取和分类技术开展研究。首先，聚焦数字阵泛探雷达，构建了雷达低慢小目标探测数据集LSS-DAUR-1.0，包含客轮、快艇、直升机、旋翼无人机、鸟类与固定翼无人机6类目标的多普勒和航迹数据。其次，基于该数据集分析了目标的多域多维特性，通过相关性和余弦相似度分析，验证了多普勒特征与物理运动特征的互补性。在此基础上，提出融合双特征的动态图图卷积网络(DG-GCN)分类方法设计自适应窗口调整、混合衰减函数和动态阈值机制，构建时空关联自适应动态图，结合图卷积特征学习和分类模块，实现对低慢小目标的精细化分类。LSS-DAUR-1.0数据集验证表明，DG-GCN分类准确率达99.66%，较ResNet和Transformer模型分别提升6.78%和17.97%，总处理时间仅4.98 ms，较对比模型降低80%以上，兼顾高精度与高效性。此外，噪声环境测试其鲁棒性良好。消融实验验证，动态边权机制可弥补纯时序连接的空间特征关联上不足，提升模型泛化能力。
针对低慢小(LSS)目标雷达分类中存在的特征提取不充分、时空关联建模能力薄弱及分类性能欠佳等问题，该文围绕图网络特征提取和分类技术开展研究。首先，聚焦数字阵泛探雷达，构建了雷达低慢小目标探测数据集LSS-DAUR-1.0，包含客轮、快艇、直升机、旋翼无人机、鸟类与固定翼无人机6类目标的多普勒和航迹数据。其次，基于该数据集分析了目标的多域多维特性，通过相关性和余弦相似度分析，验证了多普勒特征与物理运动特征的互补性。在此基础上，提出融合双特征的动态图图卷积网络(DG-GCN)分类方法设计自适应窗口调整、混合衰减函数和动态阈值机制，构建时空关联自适应动态图，结合图卷积特征学习和分类模块，实现对低慢小目标的精细化分类。LSS-DAUR-1.0数据集验证表明，DG-GCN分类准确率达99.66%，较ResNet和Transformer模型分别提升6.78%和17.97%，总处理时间仅4.98 ms，较对比模型降低80%以上，兼顾高精度与高效性。此外，噪声环境测试其鲁棒性良好。消融实验验证，动态边权机制可弥补纯时序连接的空间特征关联上不足，提升模型泛化能力。
8
2024, 13(3): 539-553.
无人机等低慢小目标探测对雷达目标检测和识别技术提出了很高的挑战，迫切需要构建相关数据集，支撑低慢小探测技术的发展和应用。该文公开了一个多波段调频连续波(FMCW)雷达低慢小目标探测数据集，基于Ku波段和L波段的FMCW雷达采集6种类型的无人机回波数据，通过雷达调制周期和调制带宽，具备不同时域和频域分辨和测量能力，构建了多波段FMCW雷达低慢小探测数据集(LSS-FMCWR-1.0)。为了进一步提升无人机微动特征提取能力，该文提出基于局部极大值同步提取变换的无人机微动提取和参数估计方法，在短时傅里叶变换的基础上提取时频能量最大值，保留有用信号分量，实现精细化时频表示。基于LSS-FMCWR-1.0进行验证分析，结果表明该方法相较于传统时频方法，熵值平均降低了5.3 dB，旋翼叶长估计误差降低了27.7%，所提方法兼顾高时频分辨率和较高的参数估计精度，为后续目标识别奠定了基础。
无人机等低慢小目标探测对雷达目标检测和识别技术提出了很高的挑战，迫切需要构建相关数据集，支撑低慢小探测技术的发展和应用。该文公开了一个多波段调频连续波(FMCW)雷达低慢小目标探测数据集，基于Ku波段和L波段的FMCW雷达采集6种类型的无人机回波数据，通过雷达调制周期和调制带宽，具备不同时域和频域分辨和测量能力，构建了多波段FMCW雷达低慢小探测数据集(LSS-FMCWR-1.0)。为了进一步提升无人机微动特征提取能力，该文提出基于局部极大值同步提取变换的无人机微动提取和参数估计方法，在短时傅里叶变换的基础上提取时频能量最大值，保留有用信号分量，实现精细化时频表示。基于LSS-FMCWR-1.0进行验证分析，结果表明该方法相较于传统时频方法，熵值平均降低了5.3 dB，旋翼叶长估计误差降低了27.7%，所提方法兼顾高时频分辨率和较高的参数估计精度，为后续目标识别奠定了基础。
9
2025, 14(5): 1115-1141.
双基合成孔径雷达(SAR)采用收发平台分置的方式，能够实现复杂环境下对地海面场景和目标的高分辨成像，具有配置灵活、隐蔽性好、抗干扰能力强、获取目标信息丰富等优势，在高精度遥感测绘、隐蔽成像、精确打击等多个领域具备重要应用价值。成像处理是获得双基SAR高分辨图像的关键步骤，而双基SAR的回波模型、回波特性与传统单基SAR有显著的不同，需要对处于不同模式、不同构型下的双基SAR研究相应的成像处理方法。该文分别针对机载双基SAR、高速高机动平台双基SAR、星源异构双基SAR、星载同构双基SAR等典型模式，以及双基SAR运动补偿方法和运动目标成像等方面，分别阐述和分析了其中的关键问题，并梳理了国内外相关的解决思路和研究进展，最后对双基SAR成像处理技术的未来发展趋势进行展望。
双基合成孔径雷达(SAR)采用收发平台分置的方式，能够实现复杂环境下对地海面场景和目标的高分辨成像，具有配置灵活、隐蔽性好、抗干扰能力强、获取目标信息丰富等优势，在高精度遥感测绘、隐蔽成像、精确打击等多个领域具备重要应用价值。成像处理是获得双基SAR高分辨图像的关键步骤，而双基SAR的回波模型、回波特性与传统单基SAR有显著的不同，需要对处于不同模式、不同构型下的双基SAR研究相应的成像处理方法。该文分别针对机载双基SAR、高速高机动平台双基SAR、星源异构双基SAR、星载同构双基SAR等典型模式，以及双基SAR运动补偿方法和运动目标成像等方面，分别阐述和分析了其中的关键问题，并梳理了国内外相关的解决思路和研究进展，最后对双基SAR成像处理技术的未来发展趋势进行展望。
10
2026, 15(2): 583-604.
雷达高分辨距离像(HRRP)目标识别研究广泛、方法众多，特别是深度学习在雷达HRRP识别领域的应用与发展，为直接利用雷达回波实现高效、精确的目标感知提供了技术支撑。然而，深层识别网络依赖大量训练数据。对于非合作目标，受雷达系统参数、目标快速机动等因素限制，实际很难提前获取姿态完备的HRRP训练样本，深层识别网络面临学习过拟合、泛化能力显著下降的问题。针对上述问题，考虑关注目标的全姿态电磁仿真数据易获取，该文以仿真数据为辅助，从数据扩充和跨域知识迁移学习两方面来缓解小样本问题。数据扩充方面，结合一定姿态角角域范围内仿真、实测HRRP在均值和方差特性两方面的差异分析，对与少量实测HRRP同角域的大量仿真HRRP样本进行线性变换，使其均值、方差满足实测域HRRP特性，实现可表征真实HRRP分布特性的数据扩充。跨域知识迁移学习方面，考虑数据扩充策略仅能实现临近姿态角的样本扩充，对仿真数据知识的利用仍不充分，所提方法利用基于生成对抗约束的域对齐策略和基于对比学习约束的类对齐策略，将具有强可分性与泛化性的仿真域全姿态数据特征和实测域特征按类拉近，进一步辅助实测域数据的学习，实现小样本识别性能的更大提升。基于3类飞机目标以及10类地面车辆目标电磁仿真和实测HRRP数据的实验表明，所提方法相较于现有小样本识别方法具有更优的识别稳健性。
雷达高分辨距离像(HRRP)目标识别研究广泛、方法众多，特别是深度学习在雷达HRRP识别领域的应用与发展，为直接利用雷达回波实现高效、精确的目标感知提供了技术支撑。然而，深层识别网络依赖大量训练数据。对于非合作目标，受雷达系统参数、目标快速机动等因素限制，实际很难提前获取姿态完备的HRRP训练样本，深层识别网络面临学习过拟合、泛化能力显著下降的问题。针对上述问题，考虑关注目标的全姿态电磁仿真数据易获取，该文以仿真数据为辅助，从数据扩充和跨域知识迁移学习两方面来缓解小样本问题。数据扩充方面，结合一定姿态角角域范围内仿真、实测HRRP在均值和方差特性两方面的差异分析，对与少量实测HRRP同角域的大量仿真HRRP样本进行线性变换，使其均值、方差满足实测域HRRP特性，实现可表征真实HRRP分布特性的数据扩充。跨域知识迁移学习方面，考虑数据扩充策略仅能实现临近姿态角的样本扩充，对仿真数据知识的利用仍不充分，所提方法利用基于生成对抗约束的域对齐策略和基于对比学习约束的类对齐策略，将具有强可分性与泛化性的仿真域全姿态数据特征和实测域特征按类拉近，进一步辅助实测域数据的学习，实现小样本识别性能的更大提升。基于3类飞机目标以及10类地面车辆目标电磁仿真和实测HRRP数据的实验表明，所提方法相较于现有小样本识别方法具有更优的识别稳健性。
11
状态: , 更新:
基于海量图文数据预训练的大规模视觉语言模型(VLM)在自然图像领域表现出色，但将其迁移至合成孔径雷达(SAR)图像领域面临两大挑战：一是SAR图像高质量文本标注成本高昂，限制了SAR图文配对数据集的构建；二是SAR图像与光学自然图像在图像特征上存在显著差异，增加了跨域知识迁移难度。针对上述问题，该文提出一种面向SAR图像的视觉语言大模型知识迁移方法。首先，利用配对的SAR与光学遥感图像，借助生成式视觉语言大模型为光学遥感图像自动生成文本描述，从而以较低成本间接构建了SAR图文配对数据集。其次，设计了两阶段迁移策略，将自然图像领域向SAR图像领域的大跨度迁移进行拆解，降低单次迁移难度。最后，在SAR图像零样本场景分类、检索以及目标识别任务上进行实验验证，实验结果表明所提方法能够有效实现视觉语言大模型向SAR图像领域的知识迁移。
基于海量图文数据预训练的大规模视觉语言模型(VLM)在自然图像领域表现出色，但将其迁移至合成孔径雷达(SAR)图像领域面临两大挑战：一是SAR图像高质量文本标注成本高昂，限制了SAR图文配对数据集的构建；二是SAR图像与光学自然图像在图像特征上存在显著差异，增加了跨域知识迁移难度。针对上述问题，该文提出一种面向SAR图像的视觉语言大模型知识迁移方法。首先，利用配对的SAR与光学遥感图像，借助生成式视觉语言大模型为光学遥感图像自动生成文本描述，从而以较低成本间接构建了SAR图文配对数据集。其次，设计了两阶段迁移策略，将自然图像领域向SAR图像领域的大跨度迁移进行拆解，降低单次迁移难度。最后，在SAR图像零样本场景分类、检索以及目标识别任务上进行实验验证，实验结果表明所提方法能够有效实现视觉语言大模型向SAR图像领域的知识迁移。
12
2025, 14(2): 249-268.
被动雷达在预警探测和低慢小目标(LSS)检测中具有重要作用。由于被动雷达信号辐射源不可控，目标特性更为复杂，导致检测和识别极其困难。该文构建了被动雷达低慢小探测数据集(LSS-PR-1.0)，该数据集包含了直升机、无人机、快艇、客轮4种典型海空目标的雷达回波信号，以及低高海况的海杂波数据，为该领域研究提供了数据支撑。在目标特征提取和分析方面，首先采用奇异值分解海杂波抑制方法，去除海杂波强Bragg峰对目标回波的影响。在此基础上，提出4类10种多域特征提取和分析方法，包括时域特征(相对平均幅度)、频域特征(频谱特征、多普勒瀑布图、距离多普勒特征)、时频域特征、运动特征(航向差、航迹参数、速度变化区间、速度变异系数、加速度)等。基于实测数据对4种海空目标特性进行了对比分析，总结各类目标特性规律，为后续目标识别奠定了基础。
被动雷达在预警探测和低慢小目标(LSS)检测中具有重要作用。由于被动雷达信号辐射源不可控，目标特性更为复杂，导致检测和识别极其困难。该文构建了被动雷达低慢小探测数据集(LSS-PR-1.0)，该数据集包含了直升机、无人机、快艇、客轮4种典型海空目标的雷达回波信号，以及低高海况的海杂波数据，为该领域研究提供了数据支撑。在目标特征提取和分析方面，首先采用奇异值分解海杂波抑制方法，去除海杂波强Bragg峰对目标回波的影响。在此基础上，提出4类10种多域特征提取和分析方法，包括时域特征(相对平均幅度)、频域特征(频谱特征、多普勒瀑布图、距离多普勒特征)、时频域特征、运动特征(航向差、航迹参数、速度变化区间、速度变异系数、加速度)等。基于实测数据对4种海空目标特性进行了对比分析，总结各类目标特性规律，为后续目标识别奠定了基础。
13
2026, 15(2): 687-709.
地球同步轨道(GEO)合成孔径雷达(SAR)具有对大区域进行连续观测的优势，但由于探测距离远、合成孔径时间长、大视场杂波累加和非平直观测几何的特点，利用GEO SAR对运动舰船探测存在成像聚焦困难、信杂比低、位置偏移大等巨大技术挑战。该文提出一种面向GEO SAR的运动舰船探测-跟踪-定位一体化处理新方法，可有效解决上述难题。该文首先建立了GEO SAR对运动舰船的观测信号模型，深入分析了超长合成孔径时间内运动舰船的回波特性，提出了基于最优子孔径处理实现目标成像探测和长时间跟踪定位方法，该方法通过改进BP成像算法在孔径内实现了低信杂比下非合作舰船能量良好积累聚焦，获得了GEO SAR非平直几何观测下复杂运动舰船目标偏移位置与距离多普勒关系；然后，基于舰船短时匀速运动假设，利用双向平滑滤波方法对多子孔径探测结果进行航迹跟踪，并基于长时间跟踪结果获得运动舰船速度估计，在此基础上利用偏移位置与实际位置距离多普勒关系实现了运动舰船重定位。最后，通过仿真数据和在轨GEO SAR卫星实测数据验证了所提方法的正确性。
地球同步轨道(GEO)合成孔径雷达(SAR)具有对大区域进行连续观测的优势，但由于探测距离远、合成孔径时间长、大视场杂波累加和非平直观测几何的特点，利用GEO SAR对运动舰船探测存在成像聚焦困难、信杂比低、位置偏移大等巨大技术挑战。该文提出一种面向GEO SAR的运动舰船探测-跟踪-定位一体化处理新方法，可有效解决上述难题。该文首先建立了GEO SAR对运动舰船的观测信号模型，深入分析了超长合成孔径时间内运动舰船的回波特性，提出了基于最优子孔径处理实现目标成像探测和长时间跟踪定位方法，该方法通过改进BP成像算法在孔径内实现了低信杂比下非合作舰船能量良好积累聚焦，获得了GEO SAR非平直几何观测下复杂运动舰船目标偏移位置与距离多普勒关系；然后，基于舰船短时匀速运动假设，利用双向平滑滤波方法对多子孔径探测结果进行航迹跟踪，并基于长时间跟踪结果获得运动舰船速度估计，在此基础上利用偏移位置与实际位置距离多普勒关系实现了运动舰船重定位。最后，通过仿真数据和在轨GEO SAR卫星实测数据验证了所提方法的正确性。
14
2026, 15(1): 361-386.
近年来，人工智能技术和对地观测领域的结合已成为领域发展的前沿热点，多模态大语言模型(MLLM)的快速发展为智能解译带来新的机遇和挑战。多模态对地观测大模型通过构建大语言模型与视觉模型之间的桥接机制并采用联合训练方式，深度融合光学影像、合成孔径雷达影像与文本等多模态信息，有效推动对地观测智能解译由浅层语义匹配向高层的世界知识理解跃迁。该文系统性回顾了多模态对地观测大模型的相关研究成果，以期为新的研究方向提供依据。具体而言，该文首先明确了多模态对地观测大模型(EO-MLLM)的概念定义，并梳理了多模态对地观测大模型的发展脉络。随后，详细阐述了多模态对地观测大模型的模型架构、训练方法、适用任务及其对应的基准数据集，并介绍了对地观测智能体。最后，探讨了多模态对地观测大模型的研究现状和未来发展方向。
近年来，人工智能技术和对地观测领域的结合已成为领域发展的前沿热点，多模态大语言模型(MLLM)的快速发展为智能解译带来新的机遇和挑战。多模态对地观测大模型通过构建大语言模型与视觉模型之间的桥接机制并采用联合训练方式，深度融合光学影像、合成孔径雷达影像与文本等多模态信息，有效推动对地观测智能解译由浅层语义匹配向高层的世界知识理解跃迁。该文系统性回顾了多模态对地观测大模型的相关研究成果，以期为新的研究方向提供依据。具体而言，该文首先明确了多模态对地观测大模型(EO-MLLM)的概念定义，并梳理了多模态对地观测大模型的发展脉络。随后，详细阐述了多模态对地观测大模型的模型架构、训练方法、适用任务及其对应的基准数据集，并介绍了对地观测智能体。最后，探讨了多模态对地观测大模型的研究现状和未来发展方向。
15
飞鸟和无人机(UAVs)是典型的“低慢小”目标，具有低可观测性，对两者的有效监视和识别成为保障空中航路安全、城市安保等需求迫切需要解决的难题。飞鸟和无人机目标类型多、飞行高度低、机动性强、雷达散射截面积小，加之探测环境复杂，给目标探测带来极大困扰，已成为世界性难题。因此迫切需要研发“看得见(检测能力强)、辨得明(识别概率高)”的无人机、飞鸟等“低慢小”目标监视手段和技术，实现目标的精细化描述和识别。该文集中对近年来复杂场景下旋翼无人机和飞鸟目标检测与识别技术的研究进展进行了归纳总结，介绍了飞鸟和无人机探测的主要手段，从回波建模和微动特性认知、泛探模式下机动特征增强与提取、分布式多视角特征融合、运动轨迹差异、深度学习智能分类等方面给出了检测和识别的有效途径。最后，该文总结了现有研究存在的问题，对未来复杂场景下飞鸟和无人机目标检测与识别技术的发展进行了展望。
飞鸟和无人机(UAVs)是典型的“低慢小”目标，具有低可观测性，对两者的有效监视和识别成为保障空中航路安全、城市安保等需求迫切需要解决的难题。飞鸟和无人机目标类型多、飞行高度低、机动性强、雷达散射截面积小，加之探测环境复杂，给目标探测带来极大困扰，已成为世界性难题。因此迫切需要研发“看得见(检测能力强)、辨得明(识别概率高)”的无人机、飞鸟等“低慢小”目标监视手段和技术，实现目标的精细化描述和识别。该文集中对近年来复杂场景下旋翼无人机和飞鸟目标检测与识别技术的研究进展进行了归纳总结，介绍了飞鸟和无人机探测的主要手段，从回波建模和微动特性认知、泛探模式下机动特征增强与提取、分布式多视角特征融合、运动轨迹差异、深度学习智能分类等方面给出了检测和识别的有效途径。最后，该文总结了现有研究存在的问题，对未来复杂场景下飞鸟和无人机目标检测与识别技术的发展进行了展望。
16
2025, 14(3): 754-780.
海上目标检测识别技术发展需要大量高质量的海上目标多传感器实测数据。针对这一需求，“雷达对海探测数据共享计划(SDRDSP)”升级为“海上目标数据共享计划(MTDSP)”，利用HH极化雷达、VV极化雷达、光电设备、AIS设备开展海上船只目标多源观测试验，获取雷达中频/视频回波切片数据、可见光与红外图像数据、AIS静态与动态报文数据、气象水文数据，覆盖典型海况和多种船型，构建涵盖多种类型海上目标的多源观测数据集，完成同一目标多种模态数据的匹配和标注，并实现目标数据的自动入库管理、条件检索和批量导出，为海上目标特性数据自动获取、长期积累与使用奠定基础。在此基础上，基于实测数据对比分析了不同海况、姿态、极化条件下同一船只目标的时域/频域特征、不同类型船只目标的时域/频域特征，形成了目标特征变化的统计结论。
海上目标检测识别技术发展需要大量高质量的海上目标多传感器实测数据。针对这一需求，“雷达对海探测数据共享计划(SDRDSP)”升级为“海上目标数据共享计划(MTDSP)”，利用HH极化雷达、VV极化雷达、光电设备、AIS设备开展海上船只目标多源观测试验，获取雷达中频/视频回波切片数据、可见光与红外图像数据、AIS静态与动态报文数据、气象水文数据，覆盖典型海况和多种船型，构建涵盖多种类型海上目标的多源观测数据集，完成同一目标多种模态数据的匹配和标注，并实现目标数据的自动入库管理、条件检索和批量导出，为海上目标特性数据自动获取、长期积累与使用奠定基础。在此基础上，基于实测数据对比分析了不同海况、姿态、极化条件下同一船只目标的时域/频域特征、不同类型船只目标的时域/频域特征，形成了目标特征变化的统计结论。
17
2025, 14(1): 73-90.
毫米波雷达凭借其出色的环境适应性、高分辨率和隐私保护等优势，在智能家居、智慧养老和安防监控等领域具有广泛的应用前景。毫米波雷达三维点云是一种重要的空间数据表达形式，对于人体行为姿态识别具有极大的价值。然而，由于毫米波雷达点云具有强稀疏性，给精准快速识别人体动作带来了巨大的挑战。针对这一问题，该文公开了一个毫米波雷达人体动作三维点云数据集mmWave-3DPCHM-1.0，并提出了相应的数据处理方法和人体动作识别模型。该数据集由TI公司的IWR1443-ISK和Vayyar公司的vBlu射频成像模组分别采集，包括常见的12种人体动作，如走路、挥手、站立和跌倒等。在网络模型方面，该文将边缘卷积(EdgeConv)与Transformer相结合，提出了一种处理长时序三维点云的网络模型，即Point EdgeConv and Transformer (PETer)网络。该网络通过边缘卷积对三维点云逐帧创建局部有向邻域图，以提取单帧点云的空间几何特征，并通过堆叠多个编码器的Transformer模块，提取多帧点云之间的时序关系。实验结果表明，所提出的PETer网络在所构建的TI数据集和Vayyar数据集上的平均识别准确率分别达到98.77%和99.51%，比传统最优的基线网络模型提高了大约5%，且网络规模仅为1.09 M，适于在存储受限的边缘设备上部署。
毫米波雷达凭借其出色的环境适应性、高分辨率和隐私保护等优势，在智能家居、智慧养老和安防监控等领域具有广泛的应用前景。毫米波雷达三维点云是一种重要的空间数据表达形式，对于人体行为姿态识别具有极大的价值。然而，由于毫米波雷达点云具有强稀疏性，给精准快速识别人体动作带来了巨大的挑战。针对这一问题，该文公开了一个毫米波雷达人体动作三维点云数据集mmWave-3DPCHM-1.0，并提出了相应的数据处理方法和人体动作识别模型。该数据集由TI公司的IWR1443-ISK和Vayyar公司的vBlu射频成像模组分别采集，包括常见的12种人体动作，如走路、挥手、站立和跌倒等。在网络模型方面，该文将边缘卷积(EdgeConv)与Transformer相结合，提出了一种处理长时序三维点云的网络模型，即Point EdgeConv and Transformer (PETer)网络。该网络通过边缘卷积对三维点云逐帧创建局部有向邻域图，以提取单帧点云的空间几何特征，并通过堆叠多个编码器的Transformer模块，提取多帧点云之间的时序关系。实验结果表明，所提出的PETer网络在所构建的TI数据集和Vayyar数据集上的平均识别准确率分别达到98.77%和99.51%，比传统最优的基线网络模型提高了大约5%，且网络规模仅为1.09 M，适于在存储受限的边缘设备上部署。
18
状态: , 更新:
合成孔径雷达(SAR)和可见光是地球观测领域中两类关键的遥感传感器，其影像匹配在图像融合、协同解译与高精度定位等任务中具有广泛应用。随着对地观测数据的迅猛增长，SAR-光学跨模态影像匹配的重要性日益凸显，相关研究也取得了显著进展。特别是基于深度学习的方法，凭借其在跨模态特征表达与高层语义提取方面的优势，展现出卓越的匹配精度与环境适应能力。然而，现有公开数据集多局限于小尺寸图像块，缺乏涵盖真实大尺度场景的完整影像对，难以全面评估匹配算法在实际遥感场景中的性能，同时也制约了深度学习模型的训练与泛化能力提升。针对上述问题，该文构建并公开发布了OSDataset2.0，一个面向SAR-光学影像匹配任务的大规模基准数据集。该数据集包含两部分：局部训练数据集与全幅场景测试集，局部训练数据集提供覆盖阿根廷、澳大利亚、波兰、德国、俄罗斯、法国、卡塔尔、马来西亚、美国、日本、土耳其、新加坡、印度、中国14个国家的6476块512×512像素的配准图像块，全幅场景测试集则提供一对光学与SAR整景影像。团队为整景影像提供了利用成像机理一致性原则提取出的高精度均匀分布的真值数据，并配套通用评估代码，支持对任意匹配算法进行配准精度的量化分析。为进一步验证数据集的有效性与挑战性，该文在OSDataset2.0上系统评估了11种具有代表性的SAR-光学影像匹配方法，涵盖了传统特征匹配与主流深度学习模型。实验结果表明，该数据集不仅能够有效支撑算法性能对比，还可为后续研究提供可靠的训练资源与统一的评估基准。
合成孔径雷达(SAR)和可见光是地球观测领域中两类关键的遥感传感器，其影像匹配在图像融合、协同解译与高精度定位等任务中具有广泛应用。随着对地观测数据的迅猛增长，SAR-光学跨模态影像匹配的重要性日益凸显，相关研究也取得了显著进展。特别是基于深度学习的方法，凭借其在跨模态特征表达与高层语义提取方面的优势，展现出卓越的匹配精度与环境适应能力。然而，现有公开数据集多局限于小尺寸图像块，缺乏涵盖真实大尺度场景的完整影像对，难以全面评估匹配算法在实际遥感场景中的性能，同时也制约了深度学习模型的训练与泛化能力提升。针对上述问题，该文构建并公开发布了OSDataset2.0，一个面向SAR-光学影像匹配任务的大规模基准数据集。该数据集包含两部分：局部训练数据集与全幅场景测试集，局部训练数据集提供覆盖阿根廷、澳大利亚、波兰、德国、俄罗斯、法国、卡塔尔、马来西亚、美国、日本、土耳其、新加坡、印度、中国14个国家的6476块512×512像素的配准图像块，全幅场景测试集则提供一对光学与SAR整景影像。团队为整景影像提供了利用成像机理一致性原则提取出的高精度均匀分布的真值数据，并配套通用评估代码，支持对任意匹配算法进行配准精度的量化分析。为进一步验证数据集的有效性与挑战性，该文在OSDataset2.0上系统评估了11种具有代表性的SAR-光学影像匹配方法，涵盖了传统特征匹配与主流深度学习模型。实验结果表明，该数据集不仅能够有效支撑算法性能对比，还可为后续研究提供可靠的训练资源与统一的评估基准。
19
2026, 15(2): 503-522.
合成孔径雷达(SAR)具备全天时全天候的海上监视能力。在距离压缩域(RCD)直接进行舰船目标检测，可规避计算密集的成像步骤(如距离徙动校正与方位压缩)，从而显著提升处理效率，适用于近实时或实时处理场景。然而，现有检测方法存在固有局限：一方面，传统恒虚警率(CFAR)检测器依赖于固定统计模型，在复杂海杂波环境下表现不佳；另一方面，深度学习方法普遍存在依赖已标注数据、解释性弱以及相位信息利用不充分等问题。为此，该文提出了一种基于自监督强化学习的SAR距离压缩域舰船目标检测框架，通过融合雷达电磁散射模型与深度强化学习，在提升检测性能的同时增强模型的解释性与泛化能力。该框架具有以下特点：(1)引入统计模型约束的奖励信号生成机制，实现了无须人工标注的自监督学习；(2)设计双模态特征融合模块，能够联合表征幅度与相位信息，有效保留舰船的多普勒特征；(3)提出轻量化的智能体模块，集成轻量化Q网络、自适应特征增强模块和鉴别器网络，在降低计算复杂度的同时满足实时处理需求，并借助对抗性训练增强模型的鲁棒性。实验结果表明，所提方法在近20 k×20 k像素的大场景SAR距离压缩域数据上的平均推理时间仅为31.75 s，计算量仅为二维卷积神经网络的23.81%。在复数RCD数据集上，该方法的F1分数与召回率分别达到50.72%和54.28%，相较于主流自监督检测方法提升了8.76%和10.45%。该研究首次将强化学习引入SAR距离压缩域舰船检测，通过信号模型与数据驱动学习的结合，为实现稳健的海上监视提供了新思路。
合成孔径雷达(SAR)具备全天时全天候的海上监视能力。在距离压缩域(RCD)直接进行舰船目标检测，可规避计算密集的成像步骤(如距离徙动校正与方位压缩)，从而显著提升处理效率，适用于近实时或实时处理场景。然而，现有检测方法存在固有局限：一方面，传统恒虚警率(CFAR)检测器依赖于固定统计模型，在复杂海杂波环境下表现不佳；另一方面，深度学习方法普遍存在依赖已标注数据、解释性弱以及相位信息利用不充分等问题。为此，该文提出了一种基于自监督强化学习的SAR距离压缩域舰船目标检测框架，通过融合雷达电磁散射模型与深度强化学习，在提升检测性能的同时增强模型的解释性与泛化能力。该框架具有以下特点：(1)引入统计模型约束的奖励信号生成机制，实现了无须人工标注的自监督学习；(2)设计双模态特征融合模块，能够联合表征幅度与相位信息，有效保留舰船的多普勒特征；(3)提出轻量化的智能体模块，集成轻量化Q网络、自适应特征增强模块和鉴别器网络，在降低计算复杂度的同时满足实时处理需求，并借助对抗性训练增强模型的鲁棒性。实验结果表明，所提方法在近20 k×20 k像素的大场景SAR距离压缩域数据上的平均推理时间仅为31.75 s，计算量仅为二维卷积神经网络的23.81%。在复数RCD数据集上，该方法的F1分数与召回率分别达到50.72%和54.28%，相较于主流自监督检测方法提升了8.76%和10.45%。该研究首次将强化学习引入SAR距离压缩域舰船检测，通过信号模型与数据驱动学习的结合，为实现稳健的海上监视提供了新思路。
20
2026, 15(2): 605-619.
以旋翼无人机为代表的低空目标可采用慢速巡航模式，使自身回波落于雷达多普勒盲区内，以躲避雷达检测跟踪。此外，低空环境中存在的复杂地固杂波，更进一步加剧了雷达对慢速目标的检测跟踪任务难度。为解决上述问题，该文基于随机有限集框架，提出一种基于低空监视雷达的慢速目标跟踪方法。首先基于贝叶斯占用滤波思想，将雷达监视区域分割为沿角度-距离向的均匀网格，并依据慢速目标与地固杂波的动力学特性差异设计自适应滤波参数模块；之后，基于概率假设密度滤波器对多普勒盲区内的网格数据进行统一的滤波处理；最后，利用聚类方法从滤波结果中提取感兴趣目标的信息，实现对慢速目标的检测跟踪。在包含多个慢速目标、环境噪声、面杂波及地固点杂波的典型低空监视场景下，结合实测背景杂波数据的实验证明了所提算法对多个低空慢速目标跟踪的有效性、稳健性及性能优势。
以旋翼无人机为代表的低空目标可采用慢速巡航模式，使自身回波落于雷达多普勒盲区内，以躲避雷达检测跟踪。此外，低空环境中存在的复杂地固杂波，更进一步加剧了雷达对慢速目标的检测跟踪任务难度。为解决上述问题，该文基于随机有限集框架，提出一种基于低空监视雷达的慢速目标跟踪方法。首先基于贝叶斯占用滤波思想，将雷达监视区域分割为沿角度-距离向的均匀网格，并依据慢速目标与地固杂波的动力学特性差异设计自适应滤波参数模块；之后，基于概率假设密度滤波器对多普勒盲区内的网格数据进行统一的滤波处理；最后，利用聚类方法从滤波结果中提取感兴趣目标的信息，实现对慢速目标的检测跟踪。在包含多个慢速目标、环境噪声、面杂波及地固点杂波的典型低空监视场景下，结合实测背景杂波数据的实验证明了所提算法对多个低空慢速目标跟踪的有效性、稳健性及性能优势。
- 首页
- 上一页
- 1
- 2
- 3
- 4
- 5
- 下一页
- 末页
- 共:5页
微信 | 公众平台 
