天基综合信息系统全国重点实验室在合成孔径雷达（SAR）图像处理方面取得系列进展

中国科学院软件研究所天基综合信息系统全国重点实验室围绕合成孔径雷达（SAR）图像智能处理持续开展研究，在SAR图像特征提取、目标识别和图像生成等方向形成了系列成果。相关成果论文发表于遥感领域国际期刊IEEE Transactions on Geoscience and Remote Sensing（IEEE TGRS）。

1. A Novel Causal Inference-Guided Feature Enhancement Framework for PolSAR Image Classification

作者：董洪伟、司凌宇、强文文、张腊梅、喻俊志、吴玉泉、郑昌文、孙富春

在SAR图像分类中，现有深度学习方法容易受到噪声、干扰等因素影响，导致特征的判别性和泛化能力不足。针对这一问题，研究团队从因果推理视角分析SAR图像极化特征学习过程，构建结构因果模型，并利用后门调整识别和抑制影响极化特征学习的混杂因素。在此基础上，团队提出了因果推理引导的极化特征增强框架，在不改变原有分类模型主体结构的情况下，提高SAR图像极化特征的判别性和泛化能力。

基于因果推理的SAR图像极化特征增强方法框架图

该框架在4个数据集和多种主流分类模型上均取得稳定性能提升，验证了其有效性和通用性。

对比实验结果

论文链接：https://ieeexplore.ieee.org/abstract/document/10360854

2. Improving SAR Automatic Target Recognition via Trusted Knowledge Distillation From Simulated Data

作者：韩方舟、董洪伟、司凌宇、张腊梅

仿真数据能够缓解SAR图像目标识别数据不足的问题，但不同仿真样本质量存在差异，无差别地进行知识迁移可能引入无效甚至有害信息。针对这一问题，研究团队提出可信仿真—实测知识蒸馏方法，通过证据学习评估不同仿真样本的可信程度，并根据置信度动态选择有效知识进行迁移。

可信仿真—实测知识蒸馏方法框架图

该方法能够优先利用高质量仿真数据中的有效信息，降低低质量仿真知识对实测SAR图像目标识别的影响，并可灵活集成到不同深度学习模型中。SAMPLE数据集上的实验结果表明，所提方法能够显著提升实测SAR目标识别性能。

对比实验结果

论文链接：https://ieeexplore.ieee.org/abstract/document/10418117

3. Manifold Constraint Regularization for Remote Sensing Image Generation

作者：苏兴哲、郑昌文、强文文、吴凤鸽、赵军锁、孙富春、熊辉

生成对抗网络在遥感图像生成中容易出现过拟合，影响生成图像质量。研究团队发现，遥感图像具有较高的数据内在维度，使模型在有限样本条件下更容易记忆训练数据而非学习真实数据分布。针对这一问题，团队提出流形约束正则化方法，引导模型学习真实数据的潜在流形结构，从而缓解过拟合并提升图像生成质量。

该方法面向遥感图像生成具有较好的通用性，并在包括SAR图像在内的多类遥感数据上进行了验证。基于HRSID-JPG和SAR-ship数据开展的实验表明，所提方法在SAR图像生成任务中能够有效提升生成质量，验证了其在SAR图像处理中的适用性。

动机实验结果图

对比实验结果

论文链接：https://ieeexplore.ieee.org/abstract/document/10633290

上述研究围绕SAR图像的“特征—识别—生成”三个关键环节，分别从因果推理、可信知识迁移和数据流形学习等角度探索，提升了SAR图像智能处理能力，为复杂场景下SAR图像的高效分析与智能解译提供了新的技术思路。