Rethinking SAR ATR: A Target-Aware Frequency-Spatial Enhancement Framework with Noise-Resilient Knowledge Guidance

📄 arXiv: 2603.21565v1 📥 PDF

作者: Yansong Lin, Zihan Cheng, Jielei Wang, Guoming Lua, Zongyong Cui

分类: cs.CV, cs.AI

发布日期: 2026-03-23

💡 一句话要点

提出一种目标感知的频域-空域增强框架，提升SAR图像在噪声环境下的目标识别精度。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: SAR图像 目标识别 频域-空域增强 知识蒸馏 噪声鲁棒性 深度学习 注意力机制

📋 核心要点

  1. SAR图像固有的相干斑点噪声严重影响目标识别精度和模型泛化能力，现有方法难以有效提取噪声环境下的目标特征。
  2. 提出一种目标感知的频域-空域增强框架(FSCE)，通过频域-空域特征增强和知识蒸馏，提升模型对噪声的鲁棒性。
  3. 实验结果表明，所提出的DSAFNet-L在多个数据集上取得了优异的性能，DSAFNet-M在保持精度的情况下显著降低了模型复杂度。

📝 摘要（中文）

合成孔径雷达自动目标识别(SAR ATR)在海洋导航和灾害监测中具有重要意义。然而，SAR图像中固有的相干斑点噪声常常掩盖显著的目标特征，导致识别精度下降和模型泛化能力受限。为了解决这个问题，本文提出了一种目标感知的频域-空域增强框架，该框架具有噪声鲁棒的知识引导(FSCE)，用于SAR目标识别。所提出的框架包含一个频域-空域浅层特征自适应增强(DSAF)模块，该模块通过空间多尺度卷积和频域小波卷积处理浅层特征。此外，采用结合在线知识蒸馏方法(KD)的师生学习范式，引导学生网络更有效地关注目标区域，从而增强其在高噪声背景下的鲁棒性。通过注意力转移和噪声鲁棒表示学习的协同优化，所提出的方法显著提高了噪声条件下目标识别的稳定性。基于FSCE框架，开发了两种具有不同性能侧重的网络架构：轻量级的DSAFNet-M和高精度的DSAFNet-L。在MSTAR、FUSARShip和OpenSARShip数据集上进行了大量实验。结果表明，DSAFNet-L与三种数据集上的各种方法相比，实现了有竞争力的或更优越的性能；DSAFNet-M在保持相当精度的同时，显著降低了模型复杂度。这些结果表明，所提出的FSCE框架表现出很强的跨模型泛化能力。

🔬 方法详解

问题定义：SAR图像自动目标识别(ATR)面临的主要问题是如何在存在大量相干斑点噪声的情况下，准确识别目标。现有方法在噪声环境下提取目标特征的能力有限，导致识别精度下降，模型泛化能力不足。

核心思路：论文的核心思路是通过频域-空域特征增强和知识蒸馏，提高模型对噪声的鲁棒性。具体来说，利用频域信息可以更好地捕捉目标的全局结构，而空域信息则有助于提取局部细节。同时，通过知识蒸馏，将教师网络的知识迁移到学生网络，引导学生网络关注目标区域，从而提高其抗噪声能力。

技术框架：FSCE框架主要包含两个核心模块：频域-空域浅层特征自适应增强(DSAF)模块和基于在线知识蒸馏(KD)的师生学习范式。DSAF模块首先通过空间多尺度卷积提取空间特征，然后通过频域小波卷积提取频域特征，并将两者融合。KD模块则利用教师网络指导学生网络学习，提高学生网络对噪声的鲁棒性。整个框架通过协同优化注意力转移和噪声鲁棒表示学习，提高目标识别的稳定性。

关键创新：该论文的关键创新在于提出了一个目标感知的频域-空域增强框架，该框架能够有效地利用频域和空域信息，并结合知识蒸馏技术，提高模型在噪声环境下的目标识别能力。与现有方法相比，该方法能够更好地提取目标特征，并抑制噪声的影响。

关键设计：DSAF模块中，空间多尺度卷积采用不同尺寸的卷积核，以捕捉不同尺度的空间特征。频域小波卷积则利用小波变换将图像转换到频域，然后进行卷积操作。知识蒸馏采用在线知识蒸馏方法，教师网络和学生网络同时训练，教师网络指导学生网络学习。论文还设计了两种网络架构：轻量级的DSAFNet-M和高精度的DSAFNet-L，以满足不同的应用需求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，DSAFNet-L在MSTAR、FUSARShip和OpenSARShip数据集上取得了优异的性能，与现有方法相比具有竞争力或更优越的性能。例如，在MSTAR数据集上，DSAFNet-L的识别精度达到了XX%，相比基线方法提升了YY%。DSAFNet-M在保持相当精度的同时，显著降低了模型复杂度，更适合于资源受限的场景。

🎯 应用场景

该研究成果可应用于海洋导航、灾害监测等领域，提高SAR图像目标识别的准确性和可靠性。在海洋导航中，可以帮助船舶识别其他船只和障碍物，提高航行安全性。在灾害监测中，可以用于识别受灾区域，评估灾害损失，为救援工作提供支持。该研究的未来发展方向包括进一步提高模型的泛化能力和降低计算复杂度。

📄 摘要（原文）

Synthetic aperture radar automatic target recognition (SAR ATR) is of considerable importance in marine navigation and disaster monitoring. However, the coherent speckle noise inherent in SAR imagery often obscures salient target features, leading to degraded recognition accuracy and limited model generalization. To address this issue, this paper proposes a target-aware frequency-spatial enhancement framework with noise-resilient knowledge guidance (FSCE) for SAR target recognition. The proposed framework incorporates a frequency-spatial shallow feature adaptive enhancement (DSAF) module, which processes shallow features through spatial multi-scale convolution and frequency-domain wavelet convolution. In addition, a teacher-student learning paradigm combined with an online knowledge distillation method (KD) is employed to guide the student network to focus more effectively on target regions, thereby enhancing its robustness to high-noise backgrounds. Through the collaborative optimization of attention transfer and noise-resilient representation learning, the proposed approach significantly improves the stability of target recognition under noisy conditions. Based on the FSCE framework, two network architectures with different performance emphases are developed: lightweight DSAFNet-M and high-precision DSAFNet-L. Extensive experiments are conducted on the MSTAR, FUSARShip and OpenSARShip datasets. The results show that DSAFNet-L achieves competitive or superior performance compared with various methods on three datasets; DSAFNet-M significantly reduces the model complexity while maintaining comparable accuracy. These results indicate that the proposed FSCE framework exhibits strong cross-model generalization.