摘要
虽然基于深度学习的方法显著推进了智能雷达图像解译的发展，但现有方法主要依赖单视角输入，这在本质上限制了目标识别性能。在实际应用场景中，与单视角观测相比，多视角雷达图像能够提供更为丰富的目标结构和特征表示。为了有效利用这些全面信息，我们提出了一种新的多视角拉普拉斯传播融合网络（MLPFN）用于雷达图像目标识别。首先，设计了一种重参数化视角感知（RPA）骨干网络，该网络融合了双层多路径重参数化核（DMPK）和多级双路径注意力模块（MDAM）。该架构有效缓解了识别性能对视角变化的敏感性，并增强了判别性目标特征的提取能力。其次，引入了一种拉普拉斯多视角特征传播算法（LMFPA），用于编码不同视角之间的结构相关性，从而增强多视角目标的特征判别能力。第三，开发了一种多视角特征自适应融合模块（MFAFM），用于将各视角的全局上下文信息整合为统一表示，在减少冗余的同时最大化特征的区分度。此外，设计了一种阶段性引导约束训练机制（SGCTM），用于在训练过程中监督不同网络层级的特征提取过程，从而优化网络的特征学习与识别能力。在多视角雷达图像数据集上进行的广泛实验验证了所提出的MLPFN的有效性。
