摘要

合成孔径雷达（SAR）飞机目标的离散结构分布（离散性）与多变的散射特性（变异性）给目标检测与识别带来了特殊挑战。当前基于深度学习的检测器在复杂背景中区分细粒度SAR飞机目标时仍面临困难。为应对这一问题，本文提出一种新型的物理引导检测器（Physics-guided Detector, PGD）学习范式，系统性地融合对SAR飞机目标离散性与变异性的建模，以提升检测性能。该范式具有通用性，可无缝扩展至各类采用“骨干-颈部-头部”（backbone-neck-head）架构的现有深度学习检测器。PGD的主要贡献包括三项核心机制：物理引导的自监督学习（Physics-guided Self-Supervised Learning, PGSSL）、特征增强（Physics-guided Feature Enhancement, PGFE）以及实例感知（Physics-guided Instance Perception, PGIP）。其中，PGSSL旨在构建一个基于广泛SAR飞机样本的自监督学习任务，将各类离散结构分布的先验知识编码至嵌入空间中；PGFE则利用PGSSL所学习到的物理感知信息，引导检测器增强多尺度特征表示能力；PGIP被设计于检测头部分，用于学习每个SAR飞机实例的精细且主导的散射点，从而有效抑制复杂背景带来的干扰。本文进一步提出了两种实现方案，分别命名为PGD与PGD-Lite，并将其应用于多种具有不同骨干网络与检测头结构的现有检测器中。实验结果表明，所提出的PGD范式具备良好的灵活性与有效性：在细粒度分类任务下，显著提升了现有检测器在SAR飞机检测中的性能（最高提升达3.1% mAP），并在SAR-AIRcraft-1.0数据集上达到了90.7%的mAP，达到当前最优水平。项目代码已开源，地址为：\url{https://github.com/XAI4SAR/PGD}。