基于跨域频空先验迁移的SAR图像分割

doi:10.7527/S1000-6893.2026.33230

Abstract

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

CLC Number:

V248

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.

Figures/Tables 14

Fig.1

Fig.2

Fig.3

Table 1

Comparison of different methods on SARBuD dataset

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）

Table 1

Table 2

Comparison of different methods on HRSID dataset

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）

Table 2

Fig.4

Fig.5

Table 3

Table 4

Table 5

Table 6

Fig.6

Table 7

Fig.7

References 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.

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

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

RichHTML

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 14

References 38

Related Articles 15

Recommended Articles

Metrics

Comments

[1]	Deqiang HAN, Wei XIONG, Ziling WANG. Low-attitude economy and information fusion in era of deep multi-modality [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(S1): 732853-732853.
[2]	Qinbo SUN, Zhaohui DANG. Spacecraft guardian strategy design via motion-intent recognition [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(S1): 733013-733013.
[3]	Long GAO, Chuanxiang ZHOU, Chaohui LIU, Wei ZHANG, Youbin LYU, Xuan LI, Tianyu LI, Xiaomei ZHENG. AADD: Aerial aircraft detection dataset [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(S1): 733255-733255.
[4]	Yuzhuo MA, Kan REN, Tao LI, Qian CHEN. Improving remote sensing image semantic segmentation based on distance loss [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(8): 332780-332780.
[5]	Yunwen FENG, Wanyi LIU, Qianyun KE, Cheng LU, Rui WANG. Operational reliability evaluation method for civil aircraft based on mechanism-enhanced conditional generative adversarial [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(6): 232483-232483.
[6]	Youzheng YU, Jiaqing KOU, Weiwei ZHANG. A generative adversarial network based method for aerodynamic configuration design of general aviation aircraft [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(6): 132518-132518.
[7]	Jun HUANG, Jing ZHANG, Shiqian WENG. Airborne electro-optical target recognition algorithms [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(6): 332601-332601.
[8]	Leyan LI, Rennong YANG, Anxin GUO, Qi SONG, Jialiang ZUO. Beyond-visual-range air combat threat prediction and dynamic evasion method based on all-domain fire field theory [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(4): 332205-332205.
[9]	Zicheng FENG, Wenlong ZHANG, Donghui LIU, Qifeng YU. Robust infrared target tracking algorithm for anti-UAV in complexbackgrounds [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(4): 332264-332264.
[10]	Zhaoqin PENG, Qicong LI, Haini ZHANG, Hong WU, Yunpeng MA. Improved ACGAN for fault diagnosis based on GRU and convolutional block attention module [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(2): 431929-431929.
[11]	Hongguang LI, Zewei LIU, Xinjun LI, Yingyan GU. Advances in UAV visual positioning technology based on deep learning [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(17): 333094-333094.
[12]	Yizhe LUO, Jiabao WANG, Xinde YU, Xudong CHEN, Zhao JIN, Shuo FENG, Yucheng SHI, Mingliang XU. Scheduling algorithm for carrier-based aircraft support operations based on deck environment model [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(17): 333180-333180.
[13]	Siyuan LI, Deqiang HAN, Jean DEZERT, Yi YANG. Learning-based BBA modeling approach with multi-method fusion [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(12): 332927-332927.
[14]	Ruotian REN, Lijun ZHAO, Xuyang ZHAO, Zheng ZHANG, Hongyi LI, Xinhua XUE, Ping TANG. A review of knowledge-guided intelligent interpretation methods for remote sensing imagery [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(10): 632103-632103.
[15]	Shaohua DUAN, Chunjie ZHANG, Chuankai LIU, Xiaolong ZHENG, Jitao ZHANG. AFAR-Net: Autoregressive and feedback-driven adaptive rectangular convolution network for pansharpening [J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(10): 532432-532432.