中文引用格式： 賀順，王雨竹，楊志偉. 復(fù)雜場景下SAR圖像多尺度艦船檢測算法[J]. 電子技術(shù)應(yīng)用，2025，51(3)：59-64.
英文引用格式： He Shun，Wang Yuzhu，Yang Zhiwei. Multi-scale ship detection algorithm in SAR images in complex scenes[J]. Application of Electronic Technique，2025，51(3)：59-64.
引言
合成孔徑雷達（Synthetic Aperture Radar，SAR）是一種高分辨率的成像雷達，具有全天候、多角度、遠距離探測能力，不受光強和天氣條件等因素的干擾[1]。目前，隨著機器學習技術(shù)的進步，深度學習算法特征表示能力也變得越來越強大，基于深度學習的目標檢測方法憑借強大的自動提取特征的能力，在SAR艦船檢測中得到廣泛的應(yīng)用[2]。目前，基于深度學習的目標檢測框架主要分為兩類，一類是兩階段檢測器，檢測精度高，但速度慢且不具備實時性，代表性的檢測器有R-CNN[3]、Fast R-CNN[4]、Faster R-CNN[5]；另一類是單階段檢測器，具有端到端的性能優(yōu)勢，檢測速度快，但精度略有不足。代表性的檢測器有CornerNet[6]、SSD[7]、RetinaNet[8]、CenterNet[9]、FCOS[10]、YOLO系列[11-14]。
SAR艦船圖像擁有廣泛的覆蓋范圍，因此在一張SAR艦船圖像中可能包含不同尺度的艦船。在現(xiàn)實的SAR圖像成像過程中，港口、島嶼和建筑物等背景會出現(xiàn)在SAR圖像中造成混淆，從而降低了目標檢測的準確性[15]。本研究中的復(fù)雜背景是指包含有港口、島嶼等背景元素的SAR圖像。同時，SAR的成像機制會產(chǎn)生一定的散斑噪聲，使得近岸艦船目標和小目標的檢測受到影響，導(dǎo)致漏檢和虛警。
為了解決上面的問題，本文在YOLOv5目標檢測模型的基礎(chǔ)上，首先用多尺度目標特征提取網(wǎng)絡(luò)（Multi-scale Feature Extration Netraction，MFE-Net）取代原骨干網(wǎng)絡(luò)，在提升多尺度目標檢測能力的同時減少冗余計算；然后通過注意力機制抑制背景雜波，增強特征融合的效果；最后引入可形變卷積[16]（Deformable Convolution，DConv）設(shè)計可形變特征融合網(wǎng)絡(luò)（Deformable Feature Fusion Network, DFF-Net），通過自適應(yīng)調(diào)整卷積核的形狀來有效檢測復(fù)雜場景下不同尺度的艦船目標。
本文詳細內(nèi)容請下載：
http://www.xxav2194.com/resource/share/2000006360
作者信息：
賀順1，王雨竹1，楊志偉2
（1.西安科技大學 通信與信息工程學院，陜西 西安 710600；
2.西安電子科技大學 電子工程學院，陜西 西安 710071）
