SAR目标识别中LoRA方法的基准测试与基于物理的优化（2026年4月）

《IEEE Access》：A Benchmark and Physics-Informed Optimization of LoRA for SAR Target Recognition (April 2026)

　　

摘要：

低秩适配（LoRA）最初是为自然语言处理领域提出的，它能高效地让大型预训练模型在资源有限的平台上进行适配。然而，传统的LoRA架构在捕捉合成孔径雷达图像所特有的空间归纳偏差和物理散射特性方面能力有限。本文首先评估了几种代表性的LoRA变体，随后提出了一种新的基于物理信息的卷积权重分解LoRA框架（Pi-ConvDoRA），以解决这一架构不匹配的问题。实验结果表明，ConvLoRA在仅更新全量微调所需参数约2.6%的情况下，性能始终优于传统LoRA。此外，Pi-ConvDoRA在权重分解LoRA架构的基础上，将多约束的基于物理信息的正则化方法引入优化过程。具体而言，该方法通过明确建模雷达截面强度分布、斑点统计特征、边缘结构以及特征一致性，建立起符合物理规律的归纳偏差。实验结果显示，在数据稀缺和高噪声条件下，该方法的性能依然稳定提升。特别是在FUSAR-Ship数据集的10%少样本测试中，Pi-ConvDoRA的准确率比ConvLoRA高9.72%；在MSTAR数据集的极端噪声条件下，其准确率提升了10.46%。该方法在提升系统鲁棒性的同时几乎不会增加推理开销，非常适合在资源受限的环境中实现高效可靠的SAR图像分析。