I. 引言
异构数据模态的融合已成为鲁棒非合作自动目标识别(ATR)的必要途径[1],[2],[3],[4]。雷达高分辨率距离像(HRRP)提供精细的结构和散射信息,而红外(IR)图像则提供互补的热特征,在能见度差、遮挡或伪装条件下依然有效。近期工作在该领域取得了显著进展:Kim等人[5]提出了一种结合SAR和IR特征的双分支卷积网络用于地面车辆识别,在复杂场景中取得了明显的准确率提升;Zhou等人[6]为高分辨率距离像序列提出了一种双极化特征融合网络(DPFFN),证明了利用HH和VV极化能够显著提升目标区分能力;Duan等人[7]开发了一种带有注意力机制的双加权极化图像融合方法,以增强不同能见度条件下的特征质量;Zhang等人[8]分析了极化敏感红外成像对飞机检测的好处,突出了热极化线索所增加的判别能力;Liu和Wang[9]利用潜在低秩表示来融合强度和极化图像,有效地捕获了互补模态;Kim等人[10]利用增强特征选择实现了杂波背景下的鲁棒SAR–IR融合。更广泛地说,深度表示学习在视觉和遥感领域的近期成功得到了经典CNN和残差架构以及遥感特定适配的支持[11],[12],[13],[14]。尽管取得了这些进展,但重大问题依然存在:由于同步方面的挑战,公开可用的配对HRRP–IR数据集仍然很少,尽管在相邻的感知场景中已经报道了相关的仅雷达和雷达-相机数据集[15],[16];现有方法往往依赖浅层融合技术——例如特征拼接或简单加权——无法捕获深层语义相关性;许多流水线将数据模拟、特征对齐和分类器融合划分为独立的模块,缺乏强制执行联合一致性的统一端到端架构。确保结构与热特征的协同融合仍然是实际ATR中的核心挑战。


