遥感基础模型的跨数据迁移与未知类别检测

合成孔径雷达（SAR）图像舰船分类是一项重要计算机视觉任务，但模型面对部署迁移时的鲁棒性仍不清楚。虽然模型经常在一个数据集训练、在另一个数据集部署，其跨数据集泛化尚缺全面理解。我们在两个SAR舰船数据集上，从分布内分类、跨数据集迁移和未知类别检测三个设置评估六种预训练模型。对于未知检测，我们轮流留出每个类别。分布内，SARDet100K在两个数据集均取得最佳平衡准确率：FUSARShip为73.4%，OpenSARShip为53.2%。跨数据集迁移中出现明显失效，有些模型普通准确率尚可，平衡准确率却接近随机；例如从OpenSARShip迁往FUSARShip，准确率为64.5%，平衡准确率为33.3%。未知检测表现依赖留出类别和数据集，MC-dropout方差则常接近随机。这些发现表明，SAR跨数据集泛化仍有限；任务专用不确定性分数往往比MC-dropout方差更能反映留出类别，但相对排序依赖数据集和留出类别。