深度学习时代的SAR ATR全面综述

由于合成孔径雷达（SAR）的优势，自动目标识别（ATR）的研究已成为一个热门课题。深度学习，尤其是卷积神经网络（CNN），以端到端的方式工作并具有强大的特征提取能力。因此，SAR ATR领域的研究人员也从深度学习中寻求解决方案。本文综述了SAR ATR的相关算法。我们首先介绍了常用的数据集和评估指标。然后，我们介绍了深度学习出现之前的算法，包括基于模板匹配、机器学习和基于模型的方法。随后，我们主要介绍了深度学习时代（2017年之后）的SAR ATR方法；这些方法是本文的核心。首先总结了用于SAR ATR的非CNN和CNN方法。我们发现研究人员倾向于为SAR ATR设计专用的CNN。接着，回顾了解决样本有限所带来问题的方法，包括数据增强、生成对抗网络（GAN）、电磁仿真、迁移学习、少样本学习、半监督学习、度量学习和领域知识。之后，还综述了不平衡问题、实时识别、极化SAR、复数数据和对抗攻击，并介绍了它们的原理和问题。最后，展望了未来的研究方向。在这一部分中，我们指出未来应考虑数据集、CNN架构设计、知识驱动、实时识别、可解释性以及对抗攻击。本文使读者能够快速了解该领域的现状。