基于跨域频空先验迁移的SAR图像分割

doi:10.7527/S1000-6893.2026.33230

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于跨域频空先验迁移的SAR图像分割

夏梓涵¹, 刘瑾²(), 黄星儒¹, 郑志文¹, 张晓帅³

^1.杭州电子科技大学通信工程学院，杭州 310018
^2.武汉大学遥感信息工程学院，武汉 430079
^3.中国海洋大学信息科学与工程学院，青岛 266404

收稿日期:2025-12-15 修回日期:2025-12-31 接受日期:2026-03-04 出版日期:2026-03-20 发布日期:2026-03-19
通讯作者: 刘瑾 E-mail:jinliu@hdu.edu.cn
基金资助:
国家自然科学基金青年基金(42501545);国家自然科学基金青年基金(62506103);中国博士后科学基金(2024M760716);中国博士后科学基金特别资助(2025T180962);浙江省属高校基本科研业务费(GK259909299001-026);山东省海外优秀青年科学基金(2025HWYQ-033)

SAR image segmentation based on cross-domain transfer of frequency-spatial priors

Zihan XIA¹, Jin LIU²(), Xingru HUANG¹, Zhiwen ZHENG¹, Xiaoshuai ZHANG³

^1.School of Communication Engineering，Hangzhou Dianzi University，Hangzhou 310018，China
^2.Remote Sensing and Information Engineering，Wuhan University，Wuhan 430079，China
^3.Faculty of Information Science and Engineering，Ocean University of China，Qingdao 266404，China

Received:2025-12-15 Revised:2025-12-31 Accepted:2026-03-04 Online:2026-03-20 Published:2026-03-19
Contact: Jin LIU E-mail:jinliu@hdu.edu.cn
Supported by:
National Natural Science Foundation of China(42501545);China Postdoctoral Science Foundation(2024M760716);Special Financial Grant from the China Postdoctoral Science Foundation(2025T180962);Fundamental Research Funds for the Provincial Universities of Zhejiang(GK259909299001-026);Excellent Young Scientists Fund Program （Overseas） of Shandong Province(2025HWYQ-033)

摘要/Abstract

摘要：

合成孔径雷达（SAR）凭借全天候成像优势广泛应用于对地观测，但其成像机制固有的斑点噪声、强背景杂波干扰以及缺乏直观几何纹理的特性，导致复杂散射场景下的高精度语义分割面临巨大挑战。现有深度学习方法多依赖各向同性卷积，难以有效解耦频域噪声与空间结构，基于光学先验引入的跨域辅助分割方案往往受限于对严格配准光学-SAR成对数据的依赖，限制了其适用性。为此，提出一种语义归纳双域各向重构GAN框架（SIDAR-GAN）。该方法突破了对严格配准数据的依赖，设计了基于生成对抗网络（GAN）的跨域一致性学习机制。通过构建语义归纳GAN（SI-GAN）与双域结构对齐（DDSA）模块，从生成器编码层提取隐含的光学几何与纹理先验，并通过跨域注意力机制将其自适应注入SAR特征空间，实现了非配准条件下的高鲁棒性语义归纳。进一步设计的频-空扰度解析模块（FSDP），通过频域扰度解析分支利用小波多尺度分解实现噪声的频域隔离与自适应抑制，同时利用空间各向解析分支引入形状偏置卷积核，强化目标（如舰船、建筑）在惯性方向上的特征表达，从频空双域联合建模结构与噪声特性。在SARBuD建筑数据集与HRSID舰船数据集上的实验表明，该方法Dice系数分别达到77.66%和92.28%，与18种主流模型相比，噪声抑制能力与边界提取精度显著提升，为弱纹理条件下的SAR精细化解译提供了新的跨模态语义驱动范式。

关键词: 合成孔径雷达, 图像分割, 生成对抗网络, 噪声抑制, 深度学习

Abstract:

Synthetic Aperture Radar （SAR） is widely used in Earth observation due to its all-weather imaging capability. However， its inherent speckle noise， strong background clutter， and lack of intuitive geometric texture make high-precision semantic segmentation in complex scattering scenes highly challenging. Existing deep learning methods mostly rely on isotropic convolutions， which are insufficient for effectively disentangling frequency-domain noise from spatial structures. Cross-domain auxiliary segmentation schemes based on optical priors are often limited by their dependence on strictly aligned optical-SAR paired data， which restricts their applicability. To address these issues， this paper proposes a Semantic Induction Dual-domain Anisotropic Reconstruction with Generative Adversarial Networks （SIDAR-GAN）. The proposed method breaks the dependence on strictly aligned data and designs a cross-domain consistency learning mechanism based on a Generative Adversarial Network （GAN）. By constructing a Semantic Induction GAN （SI-GAN） and a Dual-Domain Structural Alignment （DDSA） module， implicit optical geometric and texture priors are extracted from the generator encoder and adaptively injected into the SAR feature space through a cross-domain attention mechanism， enabling robust semantic induction under unregistered conditions. Furthermore， a Frequency-Spatial Disturbance Parsing （FSDP） module is designed. Its frequency-domain branch employs multi-scale wavelet decomposition to isolate and adaptively suppress noise， while its spatial anisotropic branch introduces shape-biased convolution kernels to enhance the feature representation of targets such as ships and buildings along their principal directions， thereby jointly modeling structural and noise characteristics in both frequency and spatial domains. Experiments on the SARBuD building dataset and the HRSID ship dataset demonstrate that the proposed method achieves Dice coefficients of 77.66% and 92.28%， respectively. Compared with 18 mainstream models， it significantly improves noise suppression capability and boundary extraction accuracy， providing a new cross-modal semantic-driven paradigm for fine-grained SAR interpretation under weak-texture conditions.

Key words: synthetic aperture radar, image segmentation, generative adversarial network, noise suppression, deep learning

中图分类号:

V248

夏梓涵, 刘瑾, 黄星儒, 郑志文, 张晓帅. 基于跨域频空先验迁移的SAR图像分割[J]. 航空学报, 2026, 47(17): 333230.

Zihan XIA, Jin LIU, Xingru HUANG, Zhiwen ZHENG, Xiaoshuai ZHANG. SAR image segmentation based on cross-domain transfer of frequency-spatial priors[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(17): 333230.

图/表 14

图 1

图 2

图 3

表1

在SARBuD建筑数据集上的各方法对比

方法	类型	HD95↓	Dice/%↑	mIoU/%↑	Kappa/%↑	MCC/%↑
U-Net^［22］	CNN	5.96（±2.00）	74.37（±19.74）	62.33（±20.33）	70.05（±19.73）	71.36（±18.66）
MRUNet^［23］		6.08（±2.12）	74.40（±19.51）	62.35（±20.43）	70.08（±19.60）	71.46（±18.40）
DconnNet^［24］		5.98（±2.05）	74.34（±18.74）	62.09（±20.04）	69.61（±19.03）	71.28（±17.40）
ICNet^［25］		6.29（±2.11）	66.17（±22.67）	53.19（±22.50）	60.33（±22.37）	62.55（±20.94）
PSPNet^［26］		6.15（±2.07）	71.08（±19.99）	58.29（±20.66）	65.99（±20.07）	67.54（±18.84）
LEDNet^［27］		6.17（±2.05）	70.19（±20.57）	57.34（±20.99）	64.76（±21.08）	66.52（±19.73）
U-Net+Att^［28］	CNN+Att	5.87（±1.99）	75.30（±19.09）	63.42（±20.26）	70.60（±19.32）	71.97（±18.06）
PAttUNet^［29］		6.01（±2.08）	74.10（±18.72）	61.78（±20.01）	69.02（±19.40）	70.64（±17.87）
DAttUNet^［29］		6.13（±2.12）	72.88（±19.78）	60.52（±20.87）	67.88（±20.29）	69.62（±18.77）
DANet^［30］		6.06（±2.06）	73.28（±18.63）	60.72（±19.99）	68.00（±19.13）	69.69（±17.60）
BAT^［31］	Transformer	6.18（±2.04）	72.93（±18.66）	60.22（±19.68）	67.69（±19.02）	68.98（±17.88）
MISSFormer^［32］	Transformer	6.11（±2.07）	70.87（±20.33）	58.18（±21.28）	65.54（±20.67）	67.61（±19.00）
TransUNet^［33］	CNN+Transformer	6.11（±2.01）	69.52（±20.66）	56.57（±21.18）	64.32（±20.57）	66.10（±19.20）
UNeXt^［34］		6.17（±2.00）	70.45（±21.68）	58.00（±22.00）	65.31（±21.59）	67.06（±20.26）
CMTFNet^［35］		6.00（±2.05）	73.64（±19.66）	61.43（±20.67）	69.03（±19.82）	70.79（±18.09）
SGCNet^［36］	CNN+GCN	6.04（±2.01）	72.63（±19.68）	60.13（±20.49）	67.67（±19.91）	69.60（±18.25）
MambaHSI^［37］	Mamba	6.04（±1.90）	64.93（±20.63）	51.18（±20.66）	58.88（±20.01）	60.44（±19.03）
VMUNet^［38］	Mamba	6.06（±2.06）	72.47（±20.00）	60.06（±21.02）	67.45（±20.23）	69.12（±18.76）
本文方法		5.84（±2.00）	77.66（±16.37）	66.30（±18.51）	73.43（±16.94）	75.15（±15.51）

表1

表2

在HRSID舰船数据集上的各方法对比

方法	类型	HD95↓	Dice/%↑	mIoU/%↑	Kappa/%↑	MCC/%↑
U-Net^［22］	CNN	2.85（±1.54）	89.97（±8.95）	82.73（±12.05）	89.88（±9.15）	90.12（±8.68）
MRUNet^［23］		2.78（±1.52）	91.10（±8.62）	84.57（±11.57）	91.07（±8.59）	91.23（±8.34）
DconnNet^［24］		2.78（±1.50）	90.55（±9.53）	83.76（±12.15）	90.52（±9.45）	90.70（±9.09）
ICNet^［25］		3.14（±1.60）	85.45（±11.58）	76.04（±14.35）	85.40（±11.60）	85.77（±11.05）
PSPNet^［26］		2.84（±1.50）	90.16（±9.80）	83.21（±12.76）	90.12（±9.81）	90.34（±9.29）
LEDNet^［27］		3.10（±1.65）	86.55（±12.22）	77.87（±14.80）	86.47（±12.34）	86.84（±11.56）
U-Net+Att^［28］	CNN+Att	2.81（±1.61）	90.82（±9.63）	84.27（±12.52）	90.78（±9.63）	90.97（±9.26）
PAttUNet^［29］		2.82（±1.54）	90.46（±9.55）	83.66（±12.51）	90.42（±9.55）	90.60（±9.23）
DAttUNet^［29］		2.82（±1.55）	90.48（±9.43）	83.66（±12.35）	90.44（±9.42）	90.60（±9.18）
DANet^［30］		2.89（±1.57）	89.88（±10.15）	82.80（±13.00）	89.84（±10.16）	90.08（±9.61）
BAT^［31］	Transformer	3.34（±1.37）	85.14（±9.46）	75.13（±12.25）	85.06（±9.56）	85.40（±9.20）
MISSFormer^［32］	Transformer	2.92（±1.63）	89.17（±9.79）	81.59（±13.00）	89.08（±10.01）	89.35（±9.46）
TransUNet^［33］	CNN+Transformer	2.84（±1.59）	89.89（±10.95）	83.05（±14.31）	89.84（±10.97）	90.08（±10.50）
UNeXt^［34］		2.96（±1.61）	88.00（±10.96）	79.90（±13.81）	87.94（±10.99）	88.22（±10.50）
CMTFNet^［35］		2.77（±1.55）	91.03（±9.13）	84.56（±12.44）	90.93（±9.36）	91.17（±8.79）
SGCNet^［36］	CNN+GCN	2.75（±1.55）	91.42（±8.30）	85.06（±11.50）	91.33（±8.53）	91.54（±7.98）
MambaHSI^［37］	Mamba	3.12（±1.66）	84.97（±15.10）	76.18（±17.83）	84.88（±15.23）	85.22（±14.66）
VMUNet^［38］	Mamba	2.81（±1.48）	90.36（±9.07）	83.39（±11.99）	90.28（±9.25）	90.52（±8.59）
本文方法		2.62（±1.50）	92.28（±8.25）	86.58（±11.90）	92.21（±8.42）	92.38（±8.02）

表2

图 4

图 5

表3

表4

表5

表6

图 6

表7

图 7

参考文献 38

[1]	CHAN Y K， KOO V C. An introduction to synthetic aperture radar （SAR）［J］. Progress in Electromagnetics Research B， 2008， 2： 27-60.
[2]	NOBRE R H， RODRIGUES F A A， MARQUES R C P， et al. SAR image segmentation with Rényi’s entropy［J］. IEEE Signal Processing Letters， 2016， 23（11）： 1551-1555.
[3]	LIU F， DUAN Y P， LI L L， et al. SAR image segmentation based on hierarchical visual semantic and adaptive neighborhood multinomial latent model［J］. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54（7）： 4287-4301.
[4]	GUO Y M， LIU Y， GEORGIOU T， et al. A review of semantic segmentation using deep neural networks［J］. International Journal of Multimedia Information Retrieval， 2018， 7（2）： 87-93.
[5]	SHELHAMER E， LONG J， DARRELL T. Fully convolutional networks for semantic segmentation［C］∥IEEE Transactions on Pattern Analysis and Machine Intelligence. Piscataway： IEEE Press， 2016： 640-651.
[6]	ZHU X X， TUIA D， MOU L C， et al. Deep learning in remote sensing： A comprehensive review and list of resources［J］. IEEE Geoscience and Remote Sensing Magazine， 2017， 5（4）： 8-36.
[7]	MALMGREN-HANSEN D， NOBEL-J⊘RGENSEN M. Convolutional neural networks for SAR image segmentation［C］∥2015 IEEE International Symposium on Signal Processing and Information Technology （ISSPIT）. Piscataway： IEEE Press， 2016： 231-236.
[8]	LI J G， ZHANG R， LI Y. Multiscale convolutional neural network for the detection of built-up areas in high-resolution SAR images［C］∥2016 IEEE International Geoscience and Remote Sensing Symposium （IGARSS）. Piscataway： IEEE Press， 2016： 910-913.
[9]	SHAHZAD M， MAURER M， FRAUNDORFER F， et al. Buildings detection in VHR SAR images using fully convolution neural networks［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（2）： 1100-1116.
[10]	WANG X Y， CAVIGELLI L， EGGIMANN M， et al. HR-SAR-Net： A deep neural network for urban scene segmentation from high-resolution SAR data［C］∥2020 IEEE Sensors Applications Symposium （SAS）. Piscataway： IEEE Press， 2020： 1-6.
[11]	李煜，杨静飞，张鸿生，等. 极化合成孔径雷达遥感地物分类研究进展［J］. 遥感学报， 2024， 28（8）： 1835-1853.
	LI Y， YANG J F， ZHANG H S， et al. Review of the studies on remote sensing classification based on polarimetric synthetic aperture radar［J］. National Remote Sensing Bulletin， 2024， 28（8）： 1835-1853 （in Chinese）.
[12]	王俊，郑彤，雷鹏，等. 深度学习在雷达中的研究综述［J］. 雷达学报， 2018， 7（4）： 395-411.
	WANG J， ZHENG T， LEI P， et al. Study on deep learning in radar［J］. Journal of Radars， 2018， 7（4）： 395-411 （in Chinese）.
[13]	蒋弥，丁晓利，李志伟，等. 基于时间序列的InSAR相干性量级估计［J］. 地球物理学报， 2013， 56（3）： 799-811.
	JIANG M， DING X L， LI Z W， et al. InSAR coherence magnitude estimation based on data stack［J］. Chinese Journal of Geophysics， 2013， 56（3）： 799-811 （in Chinese）.
[14]	刘鹏，李真芳，楼良盛，等. 基于超像素分割与多信息融合的叠掩和阴影区域检测法［J］. 测绘学报， 2022， 51（12）： 2517-2530.
	LIU P， LI Z F， LOU L S， et al. Layover and shadow regions detection based on superpixel segmentation and multi-information fusion［J］. Acta Geodaetica et Cartographica Sinica， 2022， 51（12）： 2517-2530 （in Chinese）.
[15]	LI X， ZHANG G， CUI H， et al. MCANet： A joint semantic segmentation framework of optical and SAR images for land use classification［J］. International Journal of Applied Earth Observation and Geoinformation， 2022， 106： 102638.
[16]	HUANG H L， GUO J C， LIN H X， et al. Domain adaptive oriented object detection from optical to SAR images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2025， 63： 5200314.
[17]	WANG L， XU X， YU Y， et al. SAR-to-optical image translation using supervised cycle-consistent adversarial networks［J］. IEEE Access， 2019， 7： 129136-129149.
[18]	FUENTES REYES M， AUER S， MERKLE N， et al. SAR-to-optical image translation based on conditional generative adversarial networks： Optimization， opportunities and limits［J］. Remote Sensing， 2019， 11（17）： 2067.
[19]	GOODFELLOW I J， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial networks［DB/OL］. arXiv preprint： 1406.2661， 2014.
[20]	吴樊，张红，王超，等. 2022.SARBuD 1.0：面向深度学习的GF-3精细模式SAR建筑数据集［J］. 遥感学报， 26（4）： 620-631.
	WU F， ZHANG H， WANG C， et al. SARBuD1.0： A SAR building dataset based on GF-3 FSII imageries for built-up area extraction with deep learning method［J］. National Remote Sensing Bulletin， 2022， 26（4）： 620-631 （in Chinese）.
[21]	WEI S J， ZENG X F， QU Q Z， et al. HRSID： A high-resolution SAR images dataset for ship detection and instance segmentation［J］. IEEE Access， 2020， 8： 120234-120254.
[22]	RONNEBERGER O， FISCHER P， BROX T. U-Net： Convolutional networks for biomedical image segmentation［C］∥Medical Image Computing and Computer-Assisted Intervention-MICCAI 2015. Cham： Springer， 2015： 234-241.
[23]	WANG F K， HUANG Y Q， HUANG Z C， et al. MRUNet： A two-stage segmentation model for small insect targets in complex environments［J］. Journal of Integrative Agriculture， 2023， 22（4）： 1117-1130.
[24]	YANG Z Y， FARSIU S. Directional connectivity-based segmentation of medical images［C］∥2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2023： 11525-11535.
[25]	ZHAO H S， QI X J， SHEN X Y， et al. ICNet for real-time semantic segmentation on high-resolution images［C］∥Computer Vision-ECCV 2018. Cham： Springer， 2018： 418-434.
[26]	ZHAO H S， SHI J P， QI X J， et al. Pyramid scene parsing network［C］∥2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2017： 6230-6239.
[27]	WANG Y， ZHOU Q， LIU J， et al. LEDNet： A lightweight encoder-decoder network for real-time semantic segmentation［C］∥2019 IEEE International Conference on Image Processing （ICIP）. Piscataway： IEEE Press， 2019： 1860-1864.
[28]	OKTAY O， SCHLEMPER J， LE FOLGOC L， et al. Attention U-Net： Learning where to look for the pancreas［DB/OL］. arXiv preprint： 1804.03999， 2018.
[29]	BOUGOURZI F， DISTANTE C， DORNAIKA F， et al. PDAtt-UNet： Pyramid dual-decoder attention unet for covid-19 infection segmentation from CT-scans［J］. Medical Image Analysis， 2023， 86： 102797.
[30]	FU J， LIU J， TIAN H J， et al. Dual attention network for scene segmentation［C］∥2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2020： 3141-3149.
[31]	WANG J C， WEI L， WANG L S， et al. Boundary-aware transformers for skin lesion segmentation［C］∥Medical Image Computing and Computer Assisted Intervention-MICCAI 2021. Cham： Springer， 2021： 206-216.
[32]	HUANG X H， DENG Z F， LI D D， et al. MISSFormer： An effective transformer for 2D medical image segmentation［J］. IEEE Transactions on Medical Imaging， 2023， 42（5）： 1484-1494.
[33]	CHEN J N， LU Y Y， YU Q H， et al. TransUNet： Transformers make strong encoders for medical image segmentation［DB/OL］. arXiv preprint： 2102.04306， 2021.
[34]	VALANARASU J M J， PATEL V M. UNeXt： MLP-based rapid medical image segmentation network［C］∥Medical Image Computing and Computer Assisted Intervention-MICCAI 2022. Cham： Springer， 2022： 23-33.
[35]	WU H L， HUANG P， ZHANG M， et al. CMTFNet： CNN and multiscale transformer fusion network for remote-sensing image semantic segmentation［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61： 2004612.
[36]	ZHOU G D， CHEN W T， GUI Q S， et al. Split depth-wise separable graph-convolution network for road extraction in complex environments from high-resolution remote-sensing images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 5614115.
[37]	LI Y P， LUO Y， ZHANG L F， et al. MambaHSI： Spatial-spectral mamba for hyperspectral image classification［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： 5524216.
[38]	RUAN J C， LI J C， XIANG S C. VM-UNet： Vision mamba UNet for medical image segmentation［J］. ACM Transactions on Multimedia Computing， Communications， and Applications， 2025： 3767748.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

区域	PSNR/dB	LPIPS
草地	19.46 ± 0.27	0.48 ± 0.06
山地	15.89 ± 0.27	0.46 ± 0.06
农田	14.38 ± 0.29	0.59 ± 0.05
城市	14.41 ± 0.39	0.55 ± 0.04

SPD	ASP	SI-GAN	HD95↓	Dice/%↑	mIoU/%↑	Kappa/%↑	MCC/%↑
√	√	√	5.84（±2.00）	77.66（±16.37）	66.30（±18.51）	73.43（±16.94）	75.15（±15.51）
√	√		5.87（±2.02）	76.29（±17.74）	64.38（±19.31）	71.88（±18.08）	73.16（±16.73）
√		√	5.87（±2.01）	77.00（±17.82）	65.36（±19.44）	72.64（±18.19）	74.40（±16.12）
	√	√	5.85（±2.02）	76.48（±17.44）	64.59（±19.29）	71.80（±17.93）	73.39（±16.14）
		√	6.00（±2.08）	75.56（±18.33）	63.57（±19.72）	71.00（±18.72）	72.75（±16.96）

方法	HD95↓	Dice/%↑	mIoU/%↑	Kappa/%↑	MCC/%↑
DDSA	5.84（±2.00）	77.66（±16.37）	66.30（±18.51）	73.43（±16.94）	75.15（±15.51）
Cat	5.98（±2.10）	76.11（±17.95）	64.21（±19.49）	71.26（±18.56）	73.02（±16.74）
⊕	5.88（±2.00）	75.31（±18.25）	63.24（±19.80）	70.43（±18.70）	72.34（±16.62）
TFAM（TGRS.2023）	5.92（±2.03）	76.92（±17.52）	65.18（±19.16）	72.44（±18.01）	73.95（±16.22）
MAFM（KBS.2024）	5.85（±2.06）	76.39（±18.18）	64.63（±19.58）	71.98（±18.40）	73.58（±16.54）
CAFM（TGRS.2023）	5.86（±2.01）	76.51（±17.71）	64.71（±19.40）	71.92（±18.23）	73.45（±16.58）

模块	参数量	模型大小/MB
SI-GAN	31.04×10⁶	118.50
FSDP	69.34×10³	0.34
DDSA	55.43×10³	0.22
SPD	5.22×10³	0.03
ASP	25.73×10³	0.12

基于跨域频空先验迁移的SAR图像分割

SAR image segmentation based on cross-domain transfer of frequency-spatial priors

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 38

相关文章 15

编辑推荐

Metrics

本文评价

[1]	韩德强, 熊伟, 王子玲. 深度多模态时代低空经济与信息融合[J]. 航空学报, 2026, 47(S1): 732853-732853.
[2]	孙钦伯, 党朝辉. 基于运动意图识别的空间护卫策略设计[J]. 航空学报, 2026, 47(S1): 733013-733013.
[3]	高龙, 周传翔, 刘超慧, 张威, 吕友彬, 李煊, 李湉雨, 郑晓梅. AADD：空中飞机目标检测数据集[J]. 航空学报, 2026, 47(S1): 733255-733255.
[4]	马宇卓, 任侃, 李涛, 陈钱. 基于距离损失提升航空图像语义分割研究[J]. 航空学报, 2026, 47(8): 332780-332780.
[5]	冯蕴雯, 刘晚移, 柯倩云, 路成, 王锐. 基于机理增强条件生成对抗的民机运行可靠性评估方法[J]. 航空学报, 2026, 47(6): 232483-232483.
[6]	余囿铮, 寇家庆, 张伟伟. 基于生成对抗网络的通航飞行器气动布局设计方法[J]. 航空学报, 2026, 47(6): 132518-132518.
[7]	黄俊, 张菁, 翁世倩. 机载光电目标识别算法综述[J]. 航空学报, 2026, 47(6): 332601-332601.
[8]	李乐言, 杨任农, 郭安新, 宋祺, 左家亮. 基于全域火力场的超视距空战威胁预测及动态逃逸方法[J]. 航空学报, 2026, 47(4): 332205-332205.
[9]	冯子成, 张文龙, 刘冬辉, 于起峰. 复杂背景下反无人机红外目标鲁棒跟踪算法[J]. 航空学报, 2026, 47(4): 332264-332264.
[10]	彭朝琴, 李奇聪, 张海尼, 吴红, 马云鹏. 基于GRU和卷积注意力的改进ACGAN故障诊断方法[J]. 航空学报, 2026, 47(2): 431929-431929.
[11]	李红光, 刘泽伟, 李新军, 顾颖彦. 基于深度学习的无人机视觉定位技术研究进展[J]. 航空学报, 2026, 47(17): 333094-333094.
[12]	罗祎喆, 王佳宝, 余新得, 陈旭东, 金钊, 冯朔, 石育澄, 徐明亮. 基于舰面环境模型的舰载机保障作业调度算法[J]. 航空学报, 2026, 47(17): 333180-333180.
[13]	李思远, 韩德强, DEZERT Jean, 杨艺. 利用学习机制的多方法融合端到端证据建模[J]. 航空学报, 2026, 47(12): 332927-332927.
[14]	辛炜华, 田宇豪, 张起鸣, 郭京辉, 林贵平. 融合多源数据的防热多孔材料渗透率预测方法[J]. 航空学报, 2026, 47(12): 432866-432866.
[15]	任若天, 赵理君, 赵旭阳, 张正, 李宏益, 薛新华, 唐娉. 知识引导下的遥感影像智能解译方法综述[J]. 航空学报, 2026, 47(10): 632103-632103.