摘要

尽管合成孔径雷达自动目标识别（SAR ATR）领域取得了显著进展，但近期的研究主要聚焦于特定类别目标的检测与分类，例如车辆、船舶、飞机或建筑物等。当前表现最优的SAR ATR方法存在一个根本性局限：其学习范式为监督式、任务特定、类别受限的闭域学习，严重依赖大量由专业SAR分析师人工精确标注的样本，而此类标注成本高昂，且模型泛化能力与可扩展性均较为有限。为此，本文首次尝试构建面向SAR ATR的基础模型——SARATR-X。SARATR-X通过自监督学习（Self-Supervised Learning, SSL）学习具备强泛化能力的特征表示，为实现标签高效、适用于通用SAR目标检测与分类任务的模型适配提供了重要基石。具体而言，SARATR-X在包含0.18百万（即18万）张未标注SAR目标样本的数据集上进行训练，该数据集通过整合当前主流基准数据集精心构建，是目前公开可用的最大规模SAR ATR数据集。针对SAR图像的独特特性，本文设计了一种专用于SAR ATR的骨干网络，并提出一种两阶段自监督学习方法，融合多尺度梯度特征，有效保障了特征的多样性与模型的可扩展性。在少样本分类、鲁棒性测试以及跨类别、跨场景的目标检测等多个任务上对SARATR-X的性能进行了系统评估，结果表明其表现优异，多数情况下可与甚至超越以往完全监督、半监督或自监督的先进算法。本文所提出的SARATR-X模型及其构建的数据集已开源，发布于https://github.com/waterdisappear/SARATR-X，旨在推动面向SAR图像理解的基础模型研究发展。