SAMBA：用于 SAR 目标识别的分散引导蒙版双向 Mamba 基础模型

合成孔径雷达自动目标识别（SAR ATR）对于地球观测和防御至关重要，但其实际部署受到缺乏注释训练数据的限制。自监督 预训练 缓解了这一标签瓶颈，但流行的 Transformer 架构会带来令人望而却步的二次计算复杂性，而传统的通用掩蔽忽略了 SAR 图像固有的独特电磁散射特性。为了解决这些限制，我们提出了 SAMBA（散射引导双向 Mamba），这是一种用于 SAR 目标解释的高效自监督 预训练 基础模型。我们的框架具有三个核心创新：(i) 线性复杂度 Mamba 编码器，具有中序列类词元，可缓解计算瓶颈； (ii) 由 SAR 物理先验指导的三级分层散射引导掩码自动编码器 (SG-MAE) 掩码策略，使借口任务与 SAR 的固有成像机制保持一致； (iii) 轻量级的 SpatialMix 特征交互模块，用于增强跨区域特征融合。我们还设计了一个两级跨域 预训练 管道来优化整体 预训练 流程。广泛的评估表明，SAMBA 在所有 预训练 配置中始终提供卓越的性能，并且参数比 CNN 和 Transformer 基线少得多。与标准 MAE 中的默认掩蔽策略相比，所提出的 SG-MAE 策略进一步提高了模型的少样本传输能力。对涵盖分类和检测任务的七个下游数据集进行的基准测试表明，SAMBA 在大多数指标上实现了最先进的 (SOTA) 性能，充分验证了其在不同 SAR 解释任务中的强大通用性。源代码和预训练权重可在 https://github.com/mynswkk/SAMBA 上公开获取。