《Chinese Journal of Aeronautics》：A background robust learning method for SAR target recognition
编辑推荐：
合成孔径雷达（SAR）是一种关键的遥感模态，广泛应用于机载和天基平台的大规模地球观测与监视任务中。在SAR自动目标识别（ATR）领域，现有大多数方法均基于训练数据与测试数据遵循独立同分布（IID）假设而开发。然而，在实际应用中，观测几何、地形构成及环境条件的变
合成孔径雷达（SAR）是一种关键的遥感模态，广泛应用于机载和天基平台的大规模地球观测与监视任务中。在SAR自动目标识别（ATR）领域，现有大多数方法均基于训练数据与测试数据遵循独立同分布（IID）假设而开发。然而，在实际应用中，观测几何、地形构成及环境条件的变化经常违背该假设，导致显著的背景诱导分布偏移（Distribution Shift）。SAR图像固有的特性使其不仅捕获目标散射特征，还包含复杂的背景相关杂波（Clutter），这些杂波可能主导学习到的表征，并在背景条件与训练阶段所见场景不同时导致显著的性能退化。为解决这一问题，研究人员提出了一种基于结构因果模型（SCM）的背景鲁棒学习（BRL）框架，以显式分析并缓解SAR目标识别中的环境混杂因素（Confounders）影响。首先，研究人员构建了因果图（Causal Graph）以形式化描述由背景和潜在环境因素引入的混杂路径。随后，研究人员采用因果干预策略，利用后门调整（Backdoor Adjustment）处理可观测混杂变量，以及前门调整（Frontdoor Adjustment）处理不可观测混杂变量，以消除预测过程中的虚假背景相关偏差。经干预后的因果图有效去除了虚假的背景-预测相关性，从而在由背景场景协变量偏移引起的分布外（OOD）条件下实现了鲁棒的识别性能。在EOC-Scene数据集上开展的广泛实验表明，该方法在多种复杂遥感场景中均实现了稳定的性能提升，显示出在实际机载和天基SAR应用中对背景变化的增强泛化能力与鲁棒性。
**研究背景与问题**
合成孔径雷达（SAR）凭借其全天候、全天时的成像能力，已成为机载和天基平台中不可或缺的遥感模态，广泛应用于军事监视、广域侦察、灾害监测及灾后救援等领域。随着SAR成像系统和机载处理能力的持续发展，自动目标识别（ATR）技术旨在为感兴趣目标提供类别级语义信息，已成为雷达与航空研究领域的关注焦点。然而，现有大多数SAR ATR方法均基于训练数据与测试数据遵循独立同分布（IID）假设而开发。在实际机载和天基观测场景中，观测几何、地形构成及环境条件的动态变化经常违背该假设，导致显著的背景诱导分布偏移（Covariate Shift）。与传统光学传感器不同，SAR图像通过相干重建照射物体的后向散射电磁信号形成，每个像素代表来自多个散射体（可能源于目标、背景地形或其相互作用）的回波相干叠加。当同一目标在不同环境条件下（如不同飞行轨迹或轨道经过时遇到的不同地形或场景结构）被观测时，其散射特性会相应改变。此外，特定目标-背景组合在数据集中的频繁共现可能导致虚假相关性（Spurious Correlations），使得模型错误地将背景线索学习为判别特征。这种效应给在动态复杂航空环境中运行的SAR ATR系统带来重大挑战，最终限制了其在真实任务中的可靠性和适用性。
**研究开展与结论**
为解决上述挑战，研究人员提出了一种基于因果推断框架的背景鲁棒学习（BRL）方法，该论文发表于《Chinese Journal of Aeronautics》。因果推断旨在揭示和量化变量间的因果效应，这对于区分真实语义信号与虚假相关性至关重要。结构因果模型（SCM）提供了一种原则性方法，通过显式编码观测变量与未观测变量间的关系来建模数据生成过程。在此背景下，干预（do-演算）可用于通过模拟去除混杂背景因素来隔离目标变量的效应。研究人员将SAR ATR任务形式化为SCM，识别了背景变化等混杂因素通过何种因果路径影响识别过程，并设计了针对性的干预策略以消除这些偏差，从而在复杂多变的环境条件下实现更稳定和鲁棒的识别。
**关键技术方法**
研究人员构建有向无环图（DAG）描述SAR识别任务中的变量关系，其中可观测变量包括输入图像X、背景偏差B、提取特征F和预测标签Y，不可观测变量U表示天气或噪声干扰。针对可观测背景混杂变量，采用后门调整策略：基于强度分布的百分位数阈值（s-percentile）生成背景掩膜，构建混杂集，通过归一化指数函数（Normalized Exponential Function）将原始样本与从混杂集中采样的背景样本融合生成干预样本。针对不可观测环境混杂变量，采用前门调整策略：利用小批次样本均值作为干预输入，估计总效应（Total Effect, TE），通过对比原始输入与干预输入的预测差异量化并消除偏差，并引入渐进消偏策略（Progressive Debiasing Schedule）控制干预强度。网络架构采用类AConvNet的卷积设计，包含三个Conv+MaxPool块及Dropout层。
**研究结果**
实验在EOC-Scene数据集上开展，该数据集包含19584个简单场景（砂岩、裸土）训练样本和77791个复杂环境（城市、工厂、林地）测试样本，涵盖40类车辆目标，确保场景变化是影响识别性能的唯一因素。
在方法验证方面，与13种基线模型（包括VGG16、ResNet50、Xception等光学模型及AConvNet、MANet、SARATR-X等SAR专用模型）对比，BRL在工厂场景（Factory）实现最高Top-1准确率（31.39%）和F1分数（30.58%），显著优于次优方法；在城市场景（Urban），BRL在F1（21.58%）和召回率（Recall，23.73%）上表现最佳；在林地场景（Woodland），所有模型性能均下降，但BRL仍保持最具竞争力的F1分数（0.64%），而传统模型Top-1准确率降至2%以下。
消融实验表明：移除后门调整（BRL w/o B）或前门调整（BRL w/o F）均导致性能下降，验证了因果干预的必要性；移除归一化指数加权（BRL w/o E）导致最显著的性能退化，证明自适应加权在优化因果图不同路径贡献中的关键作用；移除渐进策略（BRL w/o G）在工厂和城市场景略降性能，显示渐进减法比直接减法更稳定。Grad-CAM可视化显示，BRL始终聚焦于目标相关区域，而非被背景杂波分散注意力，即使在低信杂比（SCR）条件下仍能保持对目标的专注。
关于信杂比影响的分析显示，城市场景和林地场景中44.4%和46.5%的样本SCR为负值（背景散射强于目标），BRL在此极端条件下仍保持渐进式性能退化而非灾难性崩溃。批次大小实验表明，从16到256的批次大小均保持稳定的性能提升，确认小批次均值作为捕获共现干扰信息先验的鲁棒性。超参数敏感性分析显示，融合次数K=4、百分位数s=90、控制参数α
s=0.3的配置在性能与计算成本间取得最佳平衡。
**讨论与结论**
该研究通过结构因果模型显式建模SAR识别过程中的背景混杂效应，设计了基于后门调整和前门调整的因果干预策略，有效消除了背景变化引起的虚假相关性。BRL方法在EOC-Scene数据集的多种复杂场景中显著优于传统SAR专用和光学基线方法，特别是在具有严重杂波和可变性的工厂和林地场景中表现突出。消融研究进一步验证了各模块的独立贡献，突出了因果干预和自适应加权机制的有效性。该研究为提升SAR ATR模型在实际部署场景中的泛化能力提供了一种原则性且可扩展的方法。未来工作将联合建模传感器变化（如频段或极化差异）与背景偏差。
