【Gabor神经网络（GNN）】声呐可转向Gabor滤波与旋转等变特征提取

声呐可转向Gabor滤波与旋转等变特征提取

性质声明：本文档为独立教学讲义与研究整理，面向具备信号处理与深度学习基础的工程师及研究生。所有内容基于公开学术成果的原创化重组与工程化解读，旨在建立可转向滤波与旋转等变性在声呐应用中的物理直觉与系统设计能力。

一、核心矛盾：旋转不变性需求与数据增强的固有缺陷

1.1 问题引入

侧扫声呐与合成孔径声呐成像中，目标姿态随平台航向与探测几何剧烈变化。同一沉船残骸、海底管线或水雷目标，在不同航次采集的图像中呈现任意旋转角度。传统卷积网络依赖海量标注数据与旋转数据增强，将同一目标的多种朝向视为独立样本训练。这一策略隐含三个工程代价：

• 信息冗余：训练集膨胀导致存储与计算开销线性增长，而旋转后的样本并未引入新的物理信息；
• 表征碎片化：网络在不同旋转分支上学习到的特征互不兼容，深层聚合时产生特征冲突；
• 边界失效：离散增强角度（如每15°采样）无法覆盖连续旋转空间，对介于采样间隔之间的姿态泛化能力骤降。

1.2 物理直觉：旋转对称性应内嵌于架构而非外挂在数据

声呐波束与目标回波的物理作用具有明确的旋转协变结构。若将成像平面视为二维欧氏空间，目标绕波束中心旋转时，其散射特征场的局部方向分布随之同步旋转。理想