Deep Learning for End-to-End Automatic Target Recognition from Synthetic Aperture Radar Imagery
从合成孔径雷达图像进行端到端自动目标识别的深度学习
合成孔径雷达（SAR）自动目标识别（ATR）的标准体系结构包括三个阶段：检测，辨别和分类。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将从SAR图像提取的目标芯片中的目标类别进行分类，作为SAR ATR的第三阶段的分类。在此报告中，我们提出了一种用于SAR图像的端到端ATR的新型CNN。CNN命名验证支持网络（VersNet）端到端执行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，并输出代表每个检测到的目标的位置，类别和姿态的SAR ATR图像。
https://arxiv.org/abs/1801.08558
这篇文章提出的VersNet实质上是多层CNN,通过监督学习完成分割任务，分割训练数据集来自1999年一篇论文，难以获得。
Classifying Multi-channel UWB SAR Imagery via Tensor Sparsity Learning Techniques
通过张量稀疏度学习技术对多通道UWB SAR影像进行分类
https://arxiv.org/abs/1810.02812?context=eess
最近，已经成功证明了使用低频（UHF到L波段）超宽带（UWB）合成孔径雷达（SAR）技术来探测掩埋和被遮盖的目标，例如炸弹或地雷。尽管近期取得了令人鼓舞的进展，但一项重大的公开挑战是将场景中其他目标（自然和人为）杂乱无章的目标区分开。当存在来自粗糙地面的嘈杂响应时，该问题变得更加严重。在本文中，我们介绍了三种新颖的稀疏驱动技术，它们不仅利用原始捕获数据的细微特征，而且还利用了极化分集和来自多通道SAR数据的纵横比相关信息。第一，传统的基于稀疏表示的分类法（SRC）被推广来利用多通道数据的类共享信息和张量系数的各种稀疏结构。因此，提出了相应的张量词典学习模型以提高分类精度。最后，提出了一个新的张量稀疏模型来对来自对象的多个连续外观的响应进行建模，这是我们考虑的数据集的独特特征。从美国陆军研究实验室侧面SAR收集的高保真电磁模拟数据集和雷达数据的大量实验结果证明了拟议的张量稀疏模型的优势。因此，提出了相应的张量词典学习模型以提高分类精度。最后，提出了一个新的张量稀疏模型来对来自对象的多个连续外观的响应进行建模，这是我们考虑的数据集的独特特征。从美国陆军研究实验室侧面SAR收集的高保真电磁模拟数据集和雷达数据的大量实验结果证明了拟议的张量稀疏模型的优势。因此，提出了相应的张量词典学习模型以提高分类精度。最后，提出了一个新的张量稀疏模型来对来自对象的多个连续外观的响应进行建模，这是我们考虑的数据集的独特特征。从美国陆军研究实验室侧面SAR收集的高保真电磁模拟数据集和雷达数据的大量实验结果证明了拟议的张量稀疏模型的优势。
本文用的是传统检测方法-基于张量系数模型滤去干扰和遮挡
Buildings Detection in VHR SAR Images Using Fully Convolution Neural Networks
使用完全卷积神经网络的VHR SAR图像中的建筑物检测
https://arxiv.org/abs/1808.06155
本文解决了在高分辨率（VHR）合成孔径雷达（SAR）图像中自动检测人造结构（尤其是建筑物）的极具挑战性的问题。在这种情况下，本文有两个主要贡献：首先，它提出了一种新颖而通用的工作流程，该工作流程最初对星载TomoSAR点云进行了分类-通过使用称为SAR层析成像（TomoSAR）的先进干涉技术处理VHR SAR图像堆栈生成的图像-借助辅助信息（例如，使用公开可用的2D建筑占地面积或采用光学图像分类方案）将其分为建筑物和非建筑物，然后将提取的建筑物点投影到SAR成像坐标上，以自动生成大型标有（建筑物/非建筑物）SAR数据集的比例基准。其次，这些标记的数据集（即建筑遮罩）已被用于构建和训练最先进的深层全卷积神经网络，并带有一个表示为递归神经网络的附加条件随机场来检测单个建筑物区域VHR SAR图像。这种级联形式已经在计算机视觉和遥感领域中成功地用于光学图像分类，但是据我们所知，尚未应用于SAR图像。2 -几乎整个柏林市- 平均像素精度约为93.84％
这篇文章中了TGRS,用建筑边框mask数据(上图)来训练，从点云数据层提取特征进行检测实现。
A Multiple Radar Approach for Automatic Target Recognition of Aircraft using Inverse Synthetic Aperture Radar
逆合成孔径雷达的飞机自动目标识别多雷达方法
https://arxiv.org/abs/1711.04901
随着雷达技术的进步，使用合成孔径雷达（SAR）和反SAR（ISAR）的自动目标识别（ATR）已成为一个活跃的研究领域。SAR / ISAR是一种雷达技术，可以生成目标的二维高分辨率图像。与使用卷积神经网络（CNN）解决此问题的其他类似实验不同，我们利用一种不寻常的方法来提高性能并缩短训练时间。我们的CNN使用模拟生成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，因此与其他有关SAR / ISAR ATR的论文相比，其准确性更高。我们使用我们开发的称为RadarPixel的雷达模拟器生成了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，确定检测和分类目标所需的最佳雷达数量。
这篇文章很有趣，通过3d建模生成大量类MSTAR数据来模拟MSTAR数据进行ISAR任务。
Towards Deep Unsupervised SAR Despeckling with Blind-Spot Convolutional Neural Networks
借助盲点卷积神经网络实现深度无监督SAR去斑
https://arxiv.org/abs/2001.05264
SAR去斑是遥感领域中极为重要的问题，因为它代表了许多场景分析算法的第一步。近年来，深度学习技术的性能优于基于经典模型的去斑点算法。然而，这样的方法需要用于训练的干净的地面真实图像，因此由于不能获取干净的SAR图像而诉诸于有斑点的光学图像。在本文中，受盲点降噪网络最新工作的启发，我们提出了一种自我监督的贝叶斯去斑点方法。所提出的方法仅使用噪声图像进行训练，因此可以学习真实SAR图像而不是合成数据的特征。我们表明，所提出的网络的性能非常接近综合数据的监督训练方法，并且在真实数据方面具有竞争力。
