《Remote Sensing》：An Improved Recognition Technique for Ship Targets Based on Dual-Path Cooperative Fusion Mechanism
编辑推荐：
随着电磁环境日益复杂，传统雷达目标识别方法面临严峻挑战。高分辨距离像（HRRP）和雷达散射截面（RCS）作为两种重要的雷达特征，在目标识别中各有优势但也存在局限性。为提升低信噪比（SNR）等复杂场景下的雷达目标识别性能，研究人员提出一种基于异构多模态特征融合的
随着电磁环境日益复杂，传统雷达目标识别方法面临严峻挑战。高分辨距离像（HRRP）和雷达散射截面（RCS）作为两种重要的雷达特征，在目标识别中各有优势但也存在局限性。为提升低信噪比（SNR）等复杂场景下的雷达目标识别性能，研究人员提出一种基于异构多模态特征融合的识别方法。该方法构建了一个三通道并行编码网络，分别利用卷积长短期记忆（ConvLSTM）、一维卷积门控循环单元（Conv1D-GRU）和门控循环单元（GRU）从原始HRRP序列、RCS序列和HRRP统计特征中提取深度判别特征。此外，研究人员创新性地设计了一种双路径协同融合机制，通过跨注意力模块实现显式的模态间关联建模，并通过自适应权重融合层动态学习各模态的重要性，从而实现多模态信息的深度互补与增强。实验结果表明，在不同信噪比和极化条件下，该方法对6个舰船目标的最高平均识别准确率超过99%。与传统三通道固定权重融合方法相比，所提方法在同极化条件下识别准确率从90.01%提升至99.42%，在交叉极化条件下从81.14%提升至98.15%，充分验证了双路径融合机制的有效性和优越性。
以下是根据您的要求撰写的论文解读文章：
**研究背景与问题**
在现代战场复杂电磁环境及多样化目标识别需求驱动下，高精度、高鲁棒性的目标识别技术成为关键研究课题。传统基于光学或红外图像的识别方法在恶劣天气或夜间条件下性能严重退化，无法实现全天候作战。雷达系统为稳健目标感知提供了可靠信息源，但基于合成孔径雷达（SAR）图像的舰船识别方法需要大规模标注数据集，且可能忽略底层电磁散射机理。基于高分辨距离像（HRRP）和雷达散射截面（RCS）序列的雷达方法，利用低维、物理意义明确的数据表示，可从相对较小的数据集中有效学习。然而，现有方法大多聚焦于单一模态或依赖图像转换，缺乏对多模态关联的深度挖掘和自适应融合机制。特别是，如何设计有效融合机制以显式建模模态间深层语义关系，并自适应衡量各模态贡献，是提升复杂环境下识别性能的关键。为此，研究人员提出一种基于异构多模态特征融合的三通道网络架构，构建完整的“机理-数据-物理”三位一体识别框架，旨在解决现有方法在低信噪比（SNR）和不同极化条件下性能不足的问题。
**开展的研究、结论及意义**
研究人员基于电磁仿真获取了6类舰船目标的HRRP和RCS数据，构建了不同SNR条件下的实验数据集。通过设计三通道并行编码网络（分别采用ConvLSTM、Conv1D-GRU和GRU提取HRRP、RCS和统计特征），并创新性地提出双路径协同融合机制（跨注意力模块实现显式模态关联建模，自适应权重融合层动态学习各模态重要性），实现了多模态信息的深度互补与增强。实验结果表明，该方法在15 dB SNR HH极化下准确率达99.42%，在5 dB SNR下仍达98.41%，显著优于对比方法。消融研究证实了跨注意力模块和自适应权重融合层的有效性，与固定权重基线相比提升显著。该研究为复杂电磁环境下的高精度目标识别提供了可靠技术途径，验证了双路径协同融合机制的优越性。论文发表在《Remote Sensing》。
**主要关键技术方法**
研究人员采用以下关键技术方法：1）三通道并行编码网络，利用卷积长短期记忆（ConvLSTM）提取HRRP序列的时空特征，一维卷积门控循环单元（Conv1D-GRU）提取RCS序列的局部-全局特征，门控循环单元（GRU）编码HRRP统计特征（16种手工统计量，包括基本幅度统计、形状分布、能量信息、峰值谱特征）；2）双路径协同融合机制，路径一为基于跨注意力（Cross-Attention）的显式关联建模，构建三元并行交互层（HRRP-RCS、HRRP-统计、RCS-统计），路径二为基于自适应权重的隐式重要性学习，通过可训练logit参数经Softmax归一化生成融合权重，并引入L2正则化防止模态主导；3）分类决策通过拼接两路径输出特征（512维）后接全连接层和Softmax实现。数据来源为基于弹跳射线-物理光学（SBR-PO）方法仿真的6类舰船目标，包含HH、VV、HV、VH四种极化方式，共1573个观测位置样本，按8:2随机划分为训练集和测试集。
**研究结果**
**4.1 实验配置与数据集描述**：采用步进频率信号方案（中心频率18 GHz，带宽300 MHz，601个频点），仿真反舰导弹末段攻击过程，俯仰角30°~90°（步长5°），方位角-60°~60°（步长1°），共生成1573个样本，涵盖6类舰船目标。采用SBR-PO方法获取电磁散射回波，数据集包含HH、VV、HV、VH四种极化。
**4.2 性能评估方法**：采用分类交叉熵损失函数（Categorical Cross-Entropy Loss）优化模型，使用准确率、精确率、召回率和F1分数（宏平均）作为评估指标。
**4.3 消融研究：解构双路径融合机制**：设计七种消融变体（单源基线、固定权重融合、仅自适应权重、仅跨注意力、完整模型）。在不同极化模式下，完整模型在全极化下准确率达0.9939，显著优于其他变体；不同SNR条件下，完整模型在0 dB时保持0.8888，在5 dB以上稳定超过0.98，表明自适应权重在低SNR提供全局平衡，跨注意力在高SNR发挥互补作用，两者协同形成分层响应。
**4.4 整体性能对比实验**：与六种基线方法（ResNet18、CNN_ELM、AC_GRU、ConvLSTM_GRU、BiLSTM、LMBP）对比，所提方法在5 dB、15 dB、25 dB SNR下均取得最优性能，5 dB时准确率达98.41%，召回率、精确率和F1分数均超过0.984。数据源丰富度规律显示，从单源到双源再到三源，性能逐步提升；统计特征在低SNR下提供互补信息，RCS增加宏观电磁散射维度。
**4.5 可视化与可解释性分析**：特征热图显示，HRRP特征呈现离散峰值激活，RCS特征呈现连续块状激活，统计特征平滑均匀，融合特征集中且判别性强。跨注意力热图显示，HRRP-RCS注意力集中高强度，HRRP-统计注意力分散广泛，RCS-统计注意力呈中等强度块状关联。自适应权重可视化显示，在HH极化下HRRP权重增加至0.315，HV极化下HRRP权重进一步增至0.333，RCS权重降至0.383，体现自适应策略。t-SNE降维显示，融合特征聚类效果最优，各类别高度聚集且界限清晰。
**讨论与结论**
**讨论**：所提方法解决了依赖单一数据源和多模态融合缺乏适应性的问题，能自适应分配各模态重要性并建立模态间关联，在舰船目标识别问题上取得最佳性能。未来工作将扩展至更广泛船型、用实测雷达数据验证，并解决海面舰船复合散射问题。
**研究结论**：本文针对复杂电磁环境下雷达目标识别挑战，提出一种基于“机理-数据-物理”三位一体融合范式的识别方法。实验结果表明，该方法在15 dB SNR HH极化下准确率达99.42%，在5 dB SNR下达98.41%，显著优于对比方法。消融研究证实了跨注意力模块和自适应权重融合层的有效性。核心贡献在于提出了针对舰船目标识别的方法框架。
