งานวิจัยนี้ตั้งคำถามว่าความแม่นยำเกือบ 99% ที่เครือข่ายเชิงลึกทำได้บนชุดข้อมูล MSTAR และ ATRNet-STAR สำหรับการจดจำยานพาหนะ SAR นั้น มาจากตัวยานพาหนะเองมากน้อยเพียงใด การทดลองพบว่า เมื่อลบภาพยานพาหนะออกไปจากส่วนกลาง (96x96 พิกเซล) ความแม่นยำบน MSTAR ยังคงสูงถึง 73.3% ซึ่งบ่งชี้ว่าโมเดลใช้ข้อมูลพื้นหลังเป็น 'ทางลัด' ในการจดจำ และปรากฏการณ์เดียวกันนี้ก็พบใน ATRNet-STAR โดยมีความแม่นยำ 63.3% เมื่อไม่มีภาพยานพาหนะ
นอกจากนี้ งานวิจัยยังเผยว่าความแม่นยำของการจดจำถูกกำหนดโดย 'ช่องว่างของมุม' (angle gap) ระหว่างมุมที่ใช้ในการฝึกและมุมที่ใช้ในการทดสอบ โดยความแม่นยำลดลงอย่างมากเมื่อช่องว่างมุมเพิ่มขึ้น (เช่น 57% ที่ 15 องศา และ 26% ที่ 45 องศา) การเพิ่มมุมการฝึกมากขึ้นกลับไม่ได้ช่วยปรับปรุงประสิทธิภาพอย่างมีนัยสำคัญ โมเดลพื้นฐาน SARATR-X ยังพึ่งพาสิ่งแวดล้อมมากกว่า ConvNeXt และไม่สามารถแก้ปัญหาการเปลี่ยนแปลงฉากได้ งานวิจัยแนะนำให้รายงานการควบคุมเฉพาะพื้นหลังและเฉพาะเป้าหมาย รวมถึงช่องว่างมุม เพื่อให้ภาพรวมประสิทธิภาพของโมเดล SAR ที่แม่นยำยิ่งขึ้น