Die automatisierte Interpretation von SAR-Synthetic-Aperture-Radar-Bildern ist eine wichtige Anwendungsrichtung der SAR-Technologie. Die SAR-Identifikationsmethoden sind hauptsächlich in zwei Kategorien unterteilt: traditionelle Methoden des maschinellen Lernens und tiefenlernbasierte Methoden. Für die meisten traditionellen Methoden des maschinellen Lernens ist die Extraktion von Zielmerkmalen auf der Basis der elektromagnetischen Streuung stabil und interpretierbar. Der Prozess der Extraktion effektiver Merkmale ist jedoch oft komplex und weist eine geringe Recheneffizienz auf. Im Vergleich zu herkömmlichen Methoden können tiefenlernbasierte Methoden direkt hochdimensionale Zielmerkmale lernen und eine höhere Genauigkeit bei der Zielidentifikation erzielen. Die Leistung von tiefenlernbasierten Methoden ist jedoch gering und schwer interpretierbar. Daher sollten unter Berücksichtigung der Vorteile beider Methoden tiefenlernbasierte Methoden, die auf elektromagnetischen Streuungsmerkmalen und Merkmalen neuronaler Netze basieren, entstehen. Dieser Artikel diskutiert die Forschungsergebnisse zu SAR-Identifikationsmethoden, die die Vorteile der elektromagnetischen Streuungsmerkmale und der integrierten Merkmale neuronaler Netze nutzen, erläutert die Anwendung dieser Idee der Verschmelzung von elektromagnetischen Streuungsmerkmalen bei der Identifikation von Zielen von Fahrzeugen, Flugzeugen und Schiffen, skizziert zukünftige Trends in der Erforschung der Zielidentifikation und fasst zusammen.

Fernerkundung; Synthetic Aperture Radar; Zielidentifikation; Faltende neuronale Netze; Elektromagnetische Streuungsmerkmale; Parameterschätzung