关于SAR图像深度学习的最新进展:方法,挑战和未来方向的概述.
Eno Peter1, Li-Minn Ang1, Kah Phooi Seng1
1School of Science, Technology and Engineering, University of the Sunshine Coast, Petrie, QLD 4502, Australia.
Sensors (Basel, Switzerland)
|February 27, 2026
概括
深度学习 (DL) 通过克服阻碍传统机器学习 (TML) 的噪音问题,显著改善了合成孔径雷达 (SAR) 图像分析. 本综述强调了DL在SAR除斑,细分,分类和检测方面的进步.
科学领域:
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
- 图像分析 图像分析
背景情况:
- 合成孔径雷达 (SAR) 图像对于灾害管理和农业等应用至关重要.
- 传统的机器学习 (TML) 方法与SAR数据的复杂,杂性质作斗争,导致高错误率.
- 深度学习 (DL) 为克服SAR数据限制提供了一个强大的替代方案.
研究的目的:
- 提供对近期深度学习 (DL) 在合成孔径雷达 (SAR) 图像分析方面的进展进行全面的审查.
- 评估SAR图像处理任务的既定和新兴DL模型.
- 编制SAR数据集并确定未来的研究方向.
主要方法:
- 对DL用于SAR图像分析的最新研究的文献综述.
- 评估DL模型用于SAR图像脱光,细分,分类和检测.
- 对SAR数据的生成对抗网络 (GAN) 和图形神经网络 (GNN) 的评估.
主要成果:
- 与TML方法相比,DL模型在SAR图像分析中表现优越.
- 特定的DL架构显示出各种SAR图像处理任务的前景.
- 汇编了数据集和所识别的挑战.
结论:
- 深度学习对于推进SAR图像分析至关重要,为噪音和复杂性提供解决方案.
- 建议对使用不足的DL模型,如GAN和GNN进行进一步的研究.
- 应对当前的挑战将指导该领域的未来进展.


