SDF-Net: 構造を意識した分離特徴学習による光学–SAR 船舶再識別

要旨: 光学画像と合成開口レーダー（SAR）画像間のクロスモーダル船再識別（ReID）は、受動的光学撮像とコヒーレントな能動レーダー測定の間の著しい放射特性の差異によって根本的に困難である。既存のアプローチは主に統計的分布整列または意味的マッチングに依存するが、重要な物理的事前情報を見落としがちである。船は感知モダリティ間で幾何学的構造が安定して保持される剛性のある物体であり、一方で質感の外観はモダリティに大きく依存する。本研究では、幾何学的整合性を光学とSAR船ReIDに体系的に組み込む構造認識付きデタングルド特徴学習ネットワーク SDF-Net を提案する。ViTバックボーンを基盤として、SDF-Netは構造的一貫性制約を導入し、中間層からスケール不変な勾配エネルギー統計を抽出して、放射特性の変動に対して表現を頑健にアンカーづけする。最終段階では、学習された表現をモダリティ不変の識別特徴とモダリティ特有の特徴にデタングルする。これらの分離された手掛かりは、パラメータなしの加法的残差融合を通じて統合され、識別力を効果的に高める。HOSS-ReIDデータセット上の大規模実験は、SDF-Netが既存の最先端手法を一貫して上回ることを示している。コードと学習済みモデルは https://github.com/cfrfree/SDF-Net で公開されている。