复杂场景下单通道SAR目标检测发展趋势

针对现有复杂场景下单通道SAR目标检测和鉴定方法的不足，

今后的研究各种作可以考虑一下五个问题

1.自适应确定杂波类型和杂波样本的研究：对于复杂场SAR图像，在整个场景中存在多种类型的杂波区域，而不同区域的杂波统计特性变化较大，因此需要自适应地确定杂波类型，进而选择合适的统计模型；同时需要自适应的选择CFAR杂波窗内的杂波样本，避免多目标区域、杂波边缘等问题带来的虚警及漏警问题。自适应确定杂波类型和杂波样本对于提高基于CFAR的目标检测方法的检测性能具有重要意义。
2.SAR图像特性在深度网络中的嵌入：现有的基于深度学习的检测和鉴别方法方法所用的网络绝大多数是从光学图像继承过来的，如何将SAR图像独有的特性嵌入到深度学习中，比如单通道SAR图像的复信息对于复杂环境下检测性能的提升很重要，设计针对SAR图像的深度网络具有重要意义。
3.基于半监督、弱监督学习的鉴别方法的深入研究：由于半监督、弱监督方法仅需少量的监督信息即可学习，在实际应用中具有重大的发展潜力，研究有效的、具有实际应用型的基于半监督、弱监督的鉴别方法具有重大意义。
4.场景上下文等多信息的综合利用：在复杂背景下，仅利用目标或者杂波的幅度信息，难以有效的检测目标。已有改进的CFAR、显著性等方法通过综合利用目标和杂波尺寸、形状以及复数据等信息有效提高了目标检测、鉴别精度。但是，场景上下文信息在SAR图像检测、鉴别中的研究还不够充分，如何利用场景上下文和幅度、尺寸、形状、纹理、复数据等多种信息对于算法精度的提升具有重要意义。
5.快速算法的研究：在实际应用中，往往面临大场景SAR图像数据，对静止时敏目标的检测、鉴别对于时效性要求很高。目前的深度学习算法在计算资源(GPU、存储等)充足的理想情况下运算速度具有优势，但却无法应用于片上处理或者星上处理。类似地，一些改进的CFAR、显著性方法越复杂运算也越慢。因此，提升这些高性能算法的运算效率对于SAR ATR系统的实用化具有重要意义。
注：文章选自《复杂场景下单通道SAR目标检测及鉴别研究进展综述》