# 赛题06：多源卫星跨模态舰船重识别

## 赛题详细信息

面向舰船持续监视与多星协同观测需求，本赛题聚焦光学— SAR 跨模态舰船重识别任务。
给定一张光学或 SAR 舰船图像，参赛者需在不使用 AIS、航迹、地理位置等外部辅助信息的条件下，仅依据图像内容，从指定模态图库中检索与查询图像属于同一艘舰船的目标，并按相关度输出候选结果。
赛题以图像检索为基本形式，重点考察跨模态特征对齐、模态不变表征、细粒度身份区分及复杂干扰下的排序能力。

## 技术路线分析

七、赛题06：多源卫星光学—SAR舰船ReID

这个赛题非常值得注意。

因为它正好碰上了一个 2025—2026 年刚快速发展起来的新方向。

### 1. 本质

输入：

Q
Optical


图库：

Gallery
SAR


寻找：

same ship

或者反过来：

SAR→Optical
### 2. 最大难点

同一艘船：

光学：

颜色
纹理
结构
轮廓

SAR：

散射
亮点
斑点噪声
几何结构

所以：

Appearance
Optical

≫Appearance
SAR


差异非常大。

### 3. 基础路线

建议：

Optical
 ↓
Modality-specific Stem
      ↓
Shared Transformer
      ↓
Embedding
      ↑
Modality-specific Stem
 ↑
SAR

然后：

L=L
ID

+L
Triplet

+L
Contrastive

### 4. 必做：Modality Alignment

让：

f(Optical
i

)≈f(SAR
i

)

同时：

f(Ship
i

)

=f(Ship
j

)

可以使用：

Cross-modal contrastive learning

Triplet loss

Center loss

Class-wise alignment

adversarial modality alignment

### 5. SAR 特有处理

需要考虑：

Speckle Noise

所以：

SAR
 ↓
Denoise / Enhancement
 ↓
Encoder

可能明显提高稳定性。

### 6. 当前发展非常关键

2025 ICCV 出现了非常直接相关的工作：

HOSS ReID + TransOSS

这是光学—SAR舰船 ReID 的专门数据集与方法。

TransOSS 使用：

双模态 patch embedding

modality embedding

shared Transformer

光学-SAR对比预训练

来学习 modality-invariant features。

更值得你关注的是：

CVPR 2026 MOS

已经继续针对这个任务提出：

SAR denoising
+
Class-wise modality alignment
+
Cross-modal diffusion generation
+
Feature fusion

并在 HOSS ReID 上明显提高 Optical→SAR 和 SAR→Optical 的 Rank-1 性能。

也就是说：

你的比赛赛题和 2025 ICCV + 2026 CVPR 前沿研究几乎处在同一个技术线上。

这是很好的信号。

### 7. 我会怎么做这个题

Baseline：

TransOSS-like

↓

第一版：

SAR denoise

↓

第二版：

Modality-aware Contrastive Learning

↓

第三版：

Class-wise alignment

↓

第四版：

Cross-modal image generation

↓

第五版：

Re-ranking + ensemble

最终：

Optical/SAR
 ↓
Modality-specific stem
 ↓
Shared ViT
 ↓
Cross-modal alignment
 ↓
Metric embedding
 ↓
Re-ranking
### 8. 一个非常值得研究的创新点

不要只对齐：

Optical↔SAR

还可以分解：

GlobalShape
LocalStructure
ScatteringPattern

做：

multi-level cross-modal alignment

即：

Global Feature
Local Feature
Part Feature

共同参与 ReID。

评价

我非常看好这个题。

它有三个优势：

① 新方向

相关方法还没有像普通目标检测一样卷烂。

② 指标清晰

ReID 一般是：

Rank-1

Rank-5

mAP

非常适合竞赛。

③ 当前有非常直接的顶会技术路线可以借鉴

这能大幅减少摸索时间。

推荐度
9.3/10

如果你们 CV 较强，我甚至会让它和赛题 05 一起进入最终二选一。

## 相关论文与开源项目

- [Cross-modal Ship Re-Identification via Optical and SAR Imagery: A Novel Dataset and Method](https://openaccess.thecvf.com/content/ICCV2025/html/Wang_Cross-modal_Ship_Re-Identification_via_Optical_and_SAR_Imagery_A_Novel_ICCV_2025_paper.html)（ICCV 2025）：提出 HOSS ReID 数据集与 TransOSS；[官方代码、数据说明与模型](https://github.com/Alioth2000/Hoss-ReID)。
- [MOS: Mitigating Optical-SAR Modality Gap for Cross-Modal Ship Re-Identification](https://openaccess.thecvf.com/content/CVPR2026/html/Zhao_MOS_Mitigating_Optical-SAR_Modality_Gap_for_Cross-Modal_Ship_Re-Identification_CVPR_2026_paper.html)（CVPR 2026）：组合 SAR 去噪、类别级模态对齐、跨模态扩散生成与特征融合。

建议演进：`TransOSS → 模态对齐 → SAR 去噪 → 跨模态生成 → 特征融合 → 重排序`。若官方数据组织与 HOSS ReID 接近，应优先复现 TransOSS baseline。