来源 | 雷达学报

智库 | 云脑智库(CloudBrain-TT)

云圈 | 进“云脑智库微信群”,请加微信:15881101905,备注您的研究方向

声明 | 本号聚焦相关知识分享，内容观点不代表本号立场，可追溯内容均注明来源，若存在版权等问题，请联系(15881101905，微信同号)删除，谢谢

报告简介

SAR图像对成像平台、观测几何和系统参数等非常敏感，不同波段、不同分辨率、不同角度、不同极化等操作条件下获得的SAR图像特性差异大，使得现有数据驱动的深度学习SAR图像解译方法存在稳健特征提取困难，模型迁移能力弱等缺陷，严重制约工程化应用。为提升单源SAR图像目标特征提取的稳健性，提出了一种自监督学习和对比学习的网络框架；为提升不同源SAR图像目标特征的迁移能力，提出了一种开集条件下的球面空间域自适应网络，在OpenSARShip和FUSAR舰船识别数据集上的域迁移分类识别准确率分别达到71.2和73.4。

报告视频

报告PPT

本报告PPT共26张。

专家简介

张增辉，上海交通大学电子信息与电气工程学院研究员，博导，感知与导航研究所副所长，长期从事雷达信号处理、SAR图像解译、遥感信息处理等研究。发表学术论文100余篇，其中SCI收录论文50余篇。组织构建了SAR图像舰船目标分类识别公开数据集OpenSARShip和地物分类数据集OpenSARUrban（http://opensar.sjtu.edu.cn）。担任IEEE Senior Member，《雷达学报》青年编委，IEEE TSP/TAES/TGRS/TNNLS/GRSL/JSTARS等杂志审稿人。

－ The End －

版权声明：欢迎转发本号原创内容，转载和摘编需经本号授权并标注原作者和信息来源为云脑智库。本公众号目前所载内容为本公众号原创、网络转载或根据非密公开性信息资料编辑整理，相关内容仅供参考及学习交流使用。由于部分文字、图片等来源于互联网，无法核实真实出处，如涉及相关争议，请跟我们联系删除。我们致力于保护作者知识产权或作品版权，本公众号所载内容的知识产权或作品版权归原作者所有。本公众号拥有对此声明的最终解释权。

投稿/招聘/推广/合作/入群/赞助 请加微信：15881101905，备注关键词

“阅读是一种习惯，分享是一种美德，我们是一群专业、有态度的知识传播者