合成孔径雷达（SAR）因其独特的主动式微波成像机制，在遥感领域占据重要地位。然而，传统视觉模型多基于光学图像开发，难以直接适配SAR图像的特殊性质。哈工大团队近日提出名为SUMMIT的SAR基础模型，通过融合多辅助任务的自监督学习框架，在分类、检测和分割等任务中取得突破性进展，相关论文发表于国际学术期刊。
SAR图像的生成依赖于回波矢量叠加，导致其存在斑点噪声和几何畸变等光学图像中不存在的特性。SAR图像为单通道幅度信息，目标表征主要依赖强散射点和边缘结构，而非光学图像中的颜色与纹理。这些差异使得直接迁移光学模型至SAR领域效果不佳，且现有SAR预训练数据集规模有限、质量参差不齐，进一步限制了模型性能。
针对上述挑战，研究团队以视觉Transformer（ViT）的掩码自编码器（MAE）架构为基础，创新性地引入辅助任务协调模块（ATCM）。该模块将三个物理驱动的自监督任务——自监督去噪、边缘特征增强和散射点特征提取——无缝集成至预训练流程。例如，在去噪任务中，模型通过对数变换和模拟高斯噪声注入，学习从含噪数据中恢复纯净信号；在散射点提取任务中，利用Harris角点检测定位强后向散射中心，强化模型对目标关键结构的感知能力。
实验结果表明，SUMMIT在多个主流数据集上显著优于传统方法。在目标检测任务中，模型在SARDet-100K数据集上的平均精度（mAP）较直接微调的ViTDet提升至少5%，尤其在港口和停机坪等密集场景下，能有效区分重叠目标，减少漏检与误检。目标分类任务中，模型在MSTAR数据集上展现卓越的小样本学习能力：仅使用30%训练数据时准确率达98.39%，全量数据下准确率高达99.89%，超越ResNet和Swin-Transformer等主流模型。
通过注意力热力图分析可进一步验证模型对SAR物理机制的理解。对比普通ViT模型，SUMMIT的注意力高度集中在目标的强散射中心（如舰船甲板、飞机机身），而非受斑点噪声干扰的背景区域。这一特性表明，辅助任务的设计成功引导模型聚焦于信号本质，而非噪声干扰。
该研究证明，在垂直领域AI开发中，领域知识的深度融合至关重要。单纯依赖数据规模难以解决SAR等复杂物理背景下的视觉问题，唯有将散射机制、噪声分布等物理特性嵌入模型设计，才能实现真正意义上的性能突破。目前，团队已开源相关代码，为SAR遥感领域的智能化发展提供新工具。
