合成孔径雷达（SAR）能全天候,全天时地提供高分辨率的雷达图像，已经广泛应用于农业、海洋、军事等领域。而实现精准快速的海陆分割对海岸线提取与监测、近岸目标检测等任务具有重要意义。以舰船目标检测任务为例，海陆分割可排除 SAR 图像中陆地背景干扰引起的虚警，降低不必要的计算量，有效提高检测性能和效率。传统的SAR图像海陆分割算法易受噪声干扰，且需要人为设置参数来调控结果，鲁棒性较差，难以满足实际应用中高准确率和鲁棒性的要求。因而，如何利用深度学习技术实现精准快速的SAR图像海陆分割已成为当前研究的热点和难点。针对该问题，国防科技大学匡纲要、计科峰教授团队提出了基于改进双边网络的SAR图像海陆分割网络架构。相比当前主流的分割网络框架，具有更优分割准确度和分割速度，同时网络的规模较小且具有较强的泛化性能。该工作拟发表在《雷达学报》2020年第5期“雷达成像识别与对抗”专题“基于改进双边网络的SAR图像海陆分割方法”（戴牧宸，冷祥光，熊博莅，计科峰），现已网络优先出版。
图1 基于改进双边网络的SAR图像海陆分割网络架构
该文提出了基于改进双边网络的SAR图像海陆分割网络架构(图1)，该网络通过构建两条特征提取路径分别提取输入图像的高维非线性特征和低维空间特征，而后经上采样模块融合两路特征，预测海陆分割结果。在分割速度方面，空间路径仅使用2层卷积块，因而计算量较小，且上下文路径则采用ResNet18轻量级预训练模型作为骨干网络，可快速实现下采样。在分割精度方面，空间路径输出特征具有丰富的空间细节信息，而上下文路径具有较广阔的感受野，可充分提取图像上下文信息，因此网络具有较高的分割精度。基于高分三号 SAR 图像数据的实验表明，相比当前主流的分割网络框架，该方法具有更优分割准确度和分割速度（图2、3），同时网络的规模较小且具有较强的泛化性能。
图2 不同方法分割结果对比
图3海陆分割结果细节