侯笑晗，金國(guó)棟，譚力寧，薛遠(yuǎn)亮

（火箭軍工程大學(xué)核工程學(xué)院，西安 710025）

0 引言

隨著我國(guó)海軍戰(zhàn)斗力的不斷增強(qiáng)，確保海防安全、維護(hù)海洋利益成為建設(shè)海洋強(qiáng)國(guó)的重中之重。海上艦船檢測(cè)是海域偵察和海洋管控中一項(xiàng)重要任務(wù)，合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）因其具有全天時(shí)全天候且成像范圍廣的成像特點(diǎn)而被廣泛應(yīng)用于海洋艦船檢測(cè)［1-5］。如何從SAR 圖像中提取艦船目標(biāo)信息、實(shí)現(xiàn)海域?qū)崟r(shí)監(jiān)測(cè)，在軍民兩個(gè)領(lǐng)域都具有重要的現(xiàn)實(shí)意義。

近年來(lái)，基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的檢測(cè)算法與遙感目標(biāo)檢測(cè)領(lǐng)域高度融合［6-9］。由于SAR 艦船目標(biāo)本身具有分布稀疏、尺寸較小等特性，在圖像中表現(xiàn)為多個(gè)亮斑，在提取特征信息易丟失重要特征信息，而細(xì)節(jié)信息對(duì)邊緣模糊的SAR 艦船目標(biāo)尤為重要，因此SAR 艦船目標(biāo)檢測(cè)對(duì)算法提出了更高的要求，是一個(gè)具有挑戰(zhàn)性的課題?；谏疃葘W(xué)習(xí)的SAR 目標(biāo)檢測(cè)算法自發(fā)展以來(lái)，研究者們針對(duì)SAR 艦船目標(biāo)特點(diǎn)在通用深度學(xué)習(xí)目標(biāo)檢測(cè)模型的基礎(chǔ)上不斷完善。文獻(xiàn)［10］中采用層間融合和增加網(wǎng)絡(luò)分辨率的方法，擴(kuò)大了特征圖中小型船舶響應(yīng)面積，顯著提升了密集小目標(biāo)的檢測(cè)能力。Gao 等［11］為了加強(qiáng)CNN對(duì)特征的提取能力，在RetinaNet［12］中加入分離卷積塊（Separated Convolution Block，SCB）和空間信息注意力模塊（Spatial information Attention Block，SAB），提高了網(wǎng)絡(luò)在多分辨率SAR 圖像和復(fù)雜背景下小目標(biāo)的檢測(cè)性能。文獻(xiàn)［13］中使用空間遞歸網(wǎng)絡(luò)在整個(gè)圖像上橫向和垂直地傳遞空間上變化的上下文信息，改善對(duì)小目標(biāo)的檢測(cè)效果。以上方法均采用了錨框生成機(jī)制，對(duì)分布稀疏的SAR 艦船目標(biāo)檢測(cè)而言并非最優(yōu)設(shè)計(jì)。錨框機(jī)制依賴于預(yù)先設(shè)定好的尺度、比例等相關(guān)屬性，無(wú)法動(dòng)態(tài)適應(yīng)目標(biāo)形態(tài)，且可能生成大量重復(fù)且與目標(biāo)無(wú)關(guān)的背景框，會(huì)帶來(lái)較多的超參數(shù)、加重正負(fù)樣本不均衡。另外，特征提取網(wǎng)絡(luò)依賴于人工設(shè)計(jì)和融合，不能最大限度充分利用特征，會(huì)造成一定程度上的細(xì)節(jié)信息丟失，對(duì)于SAR圖像艦船小目標(biāo)檢測(cè)效果影響較大。

針對(duì)SAR 艦船小目標(biāo)檢測(cè)中存在的問(wèn)題，本文提出一種基于自動(dòng)生成錨框和最優(yōu)特征選取的單階段SAR 艦船目標(biāo)檢測(cè)方法，借鑒無(wú)錨框特征選擇（Feature Selective Anchor-Free，F(xiàn)SAF）算法在利用神經(jīng)架構(gòu)搜索（Neural Architecture Search，NAS）為檢測(cè)模型設(shè)計(jì)最優(yōu)特征提取網(wǎng)絡(luò)的同時(shí)不再生成錨框，直接在特征圖輸出上以無(wú)錨框方式進(jìn)行編碼和解碼；然后重構(gòu)損失函數(shù)以增加網(wǎng)絡(luò)回傳位置信息的準(zhǔn)確性；最后使用更貼合艦船目標(biāo)特性的Soft-NMS［14］方法對(duì)檢測(cè)框進(jìn)行過(guò)濾進(jìn)而生成最終檢測(cè)結(jié)果，并實(shí)現(xiàn)了多組對(duì)比驗(yàn)證。

1 本文方法

1.1 融合方式設(shè)計(jì)

傳統(tǒng)特征提取網(wǎng)絡(luò)由人工設(shè)計(jì)，通過(guò)卷積層堆疊和不同分辨率大小特征層融合為目標(biāo)提供更好的特征提取網(wǎng)絡(luò)，這種方法通過(guò)在數(shù)據(jù)集上測(cè)試進(jìn)而選擇網(wǎng)絡(luò)結(jié)構(gòu)，并不能達(dá)到最優(yōu)效果。為更深層次利用特征信息，通過(guò)神經(jīng)架構(gòu)搜索構(gòu)建涵蓋所有跨尺度連接的特征金字塔結(jié)構(gòu)，自動(dòng)在給定的搜索空間中選擇最佳模型架構(gòu)。利用強(qiáng)化學(xué)習(xí)思想，在神經(jīng)架構(gòu)搜索中訓(xùn)練控制器，以子模型在給定的搜索空間中的準(zhǔn)確性來(lái)更新參數(shù)，以獲得更好的架構(gòu)。本文基于上述思想對(duì)特征融合方式進(jìn)行重構(gòu)，將原ResNet 中的輸出層{P3，P4，P5，P6，P7} 作為待選特征經(jīng)過(guò)神經(jīng)架構(gòu)搜索得到新的特征層{P3，P4，P5，P6，P7} 作為輸出。具體流程為：從輸入的5個(gè)特征圖中任選2 個(gè)，選擇輸出特征分辨率將其進(jìn)行融合，在兩個(gè)特征圖分辨率不同的情況下采用Max Pooling 統(tǒng)一分辨率。融合后的特征圖經(jīng)過(guò)3×3 卷積后進(jìn)入待選特征集，進(jìn)行新一輪特征融合。最優(yōu)特征融合方式如圖1 所示，其中：GP表示全局池化，R-C-B表示ReLU+Conv+BN。本文設(shè)計(jì)的特征提取網(wǎng)絡(luò)中共進(jìn)行7 次特征融合，能夠最大限度利用特征信息，進(jìn)而提升對(duì)小目標(biāo)的檢測(cè)性能。

圖1 最優(yōu)特征層融合方式Fig.1 Fusion mode of optimal feature layer

1.2 檢測(cè)網(wǎng)絡(luò)設(shè)計(jì)

大多基于深度學(xué)習(xí)的SAR 目標(biāo)檢測(cè)算法均采用了錨框生成機(jī)制，對(duì)分布稀疏、目標(biāo)形態(tài)多變的SAR 艦船目標(biāo)檢測(cè)而言并非最優(yōu)設(shè)計(jì)。錨框機(jī)制依賴于預(yù)先設(shè)定好的尺度、比例等相關(guān)屬性，無(wú)法動(dòng)態(tài)適應(yīng)目標(biāo)形態(tài)變化，且可能生成大量重復(fù)且與目標(biāo)無(wú)關(guān)的背景框，會(huì)帶來(lái)較多冗余的超參數(shù)、增加目標(biāo)樣本與非目標(biāo)樣本量級(jí)差。

1.2.1 自適應(yīng)錨框生成

借鑒FSAF 思想，在常規(guī)檢測(cè)分支中引入兩個(gè)額外分支，結(jié)構(gòu)如圖2 所示，在特征金字塔的每個(gè)層上的常規(guī)分支上引入兩個(gè)用于特定任務(wù)的分支，分別負(fù)責(zé)無(wú)框預(yù)測(cè)目標(biāo)分類和定位信息。分類子網(wǎng)在特征圖之后接K個(gè)濾波器的3×3 卷積層用于預(yù)測(cè)分類，其后使用Sigmoid 激活函數(shù)，為K個(gè)對(duì)象類預(yù)測(cè)每個(gè)對(duì)象在空間位置的概率?；貧w子網(wǎng)中加入帶有四個(gè)濾波器的3×3 卷積層，用于以無(wú)錨框方式編碼框偏移量。本文中的無(wú)錨框算法不再以先驗(yàn)框?yàn)榛鶞?zhǔn)進(jìn)行分類和位置回歸損失，而是在圖像的每個(gè)點(diǎn)上直接預(yù)測(cè)與其最為相符的實(shí)例類型和位置偏移，根據(jù)實(shí)例本身特征進(jìn)行參數(shù)的自適應(yīng)更新，具體流程如圖2，自適應(yīng)錨框結(jié)構(gòu)如圖2中虛線所示。

圖2 自適應(yīng)錨框生成圖Fig.2 Generation diagram of self-adaptive anchor box

1.2.2 最優(yōu)特征層選取

在如SSD等經(jīng)典網(wǎng)絡(luò)中設(shè)定大尺度目標(biāo)特征信息在深層特征圖上進(jìn)行提取，小尺度目標(biāo)特征信息在淺層特征圖上進(jìn)行提取。該分配條件難以保證所分配的特征層與目標(biāo)為最佳匹配。為提高檢測(cè)效果，設(shè)計(jì)最優(yōu)特征層選取機(jī)制來(lái)尋找最適合特定錨框的特征層。

最優(yōu)特征層選取機(jī)制整體結(jié)構(gòu)如圖3 所示，對(duì)輸入目標(biāo)I計(jì)算每個(gè)特征層損失，選擇損失最小的特征層為目標(biāo)分配層。定義在第l個(gè)特征層上的分類損失和位置損失函數(shù)分別和通過(guò)取有效框區(qū)域上的Focal loss［12］和交并比（Intersection-over-Union，IoU）［15］的平均值來(lái)計(jì)算。

圖3 最優(yōu)特征層選取Fig.3 Selection of optimal feature layer

最優(yōu)特征層選擇不再根據(jù)目標(biāo)大小而是根據(jù)目標(biāo)內(nèi)容來(lái)確定是否適合某一層金字塔特征，能夠在訓(xùn)練時(shí)動(dòng)態(tài)地將每個(gè)對(duì)象放置最合適的特征層上進(jìn)行回歸，保證其選擇的特征對(duì)建模是最優(yōu)的，其損失可以使得特征空間的邊界更低，進(jìn)而優(yōu)化網(wǎng)絡(luò)檢測(cè)結(jié)果。通過(guò)無(wú)錨框檢測(cè)分支和自適應(yīng)特征層選擇機(jī)制設(shè)計(jì)提升網(wǎng)絡(luò)對(duì)多尺度艦船目標(biāo)的適應(yīng)性，尤其對(duì)小目標(biāo)的檢測(cè)能力有所改善。

1.3 網(wǎng)絡(luò)總體結(jié)構(gòu)設(shè)計(jì)

基于自適應(yīng)和最優(yōu)特征網(wǎng)絡(luò)首先將所提取的五個(gè)ResNet改進(jìn)后特征層作為輸入構(gòu)建神經(jīng)網(wǎng)絡(luò)的搜索空間，并將無(wú)錨分支附加到神經(jīng)網(wǎng)絡(luò)輸出的每個(gè)金字塔預(yù)測(cè)分支上，從而允許在任意特征圖上以無(wú)錨方式進(jìn)行編碼和解碼。在訓(xùn)練過(guò)程中，通過(guò)特征選擇將每個(gè)真實(shí)框分配到特定金字塔級(jí)別，通過(guò)設(shè)置監(jiān)督信號(hào)定義預(yù)測(cè)框回歸方式。網(wǎng)絡(luò)首先在前向流程中計(jì)算輸入圖像中實(shí)例在每個(gè)特征層上的損失函數(shù)，挑選損失函數(shù)最小的特征層作為該實(shí)例的特征提取層，并在回傳時(shí)優(yōu)化參數(shù)。下面對(duì)其參數(shù)優(yōu)化方式展開(kāi)說(shuō)明。

圖4 網(wǎng)絡(luò)總體結(jié)構(gòu)Fig.4 Overall structure of the network

1.4 訓(xùn)練方式優(yōu)化

考慮到檢測(cè)任務(wù)中使用IoU 作為回歸損失在檢測(cè)框和標(biāo)定框沒(méi)有重疊的情況下，無(wú)法進(jìn)行梯度回傳、指導(dǎo)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，并且不能精確反映兩者距離和重合度大小。本文中采用廣義IoU（Generalized IoU，GIoU）對(duì)位置回歸損失函數(shù)進(jìn)行改進(jìn)。設(shè)定預(yù)測(cè)框?yàn)檎鎸?shí)框?yàn)锽g=其中表示預(yù)測(cè)框的左上頂點(diǎn)和右下頂點(diǎn)坐標(biāo)表示真實(shí)框的左上頂點(diǎn)和右下頂點(diǎn)坐標(biāo)，p、g 分別表示該框?yàn)轭A(yù)測(cè)框、真實(shí)框，設(shè)定Bp，Bg的重疊面積為：

其中：Ap、Ag為Bp、Bg的框面積，U為Bp，Bg的框面積之和減去其重疊面積。位置回歸損失函數(shù)如下：

將圖像中目標(biāo)區(qū)域定義為正樣本，將目標(biāo)以外區(qū)域定義為負(fù)樣本，同時(shí)根據(jù)樣本是否容易分類將其分為難易樣本。由于SAR 圖像中海上艦船目標(biāo)分布稀疏，其背景樣本即負(fù)樣本較多，帶來(lái)計(jì)算冗余；同時(shí)，網(wǎng)絡(luò)很難從簡(jiǎn)單樣本中獲取信息，難樣本更能指導(dǎo)網(wǎng)絡(luò)的優(yōu)化方向，因此，本文采用類別損失采用Focal loss 以解決SAR 艦船目標(biāo)數(shù)據(jù)集中正負(fù)樣本不均衡和難易樣本問(wèn)題，其定義如下：

引入α權(quán)重以改善正負(fù)樣本不均衡問(wèn)題，并以對(duì)難易樣本關(guān)注度進(jìn)行動(dòng)態(tài)分配，當(dāng)邊框類別預(yù)測(cè)錯(cuò)誤則pt較小，設(shè)定該邊框?yàn)槔щy樣本。當(dāng)pt接近于1 時(shí)，是簡(jiǎn)單樣本。本文取α=0.25，γ=2。

本文所設(shè)計(jì)的網(wǎng)絡(luò)總損失如下：

1.5 過(guò)濾候選框算法改進(jìn)

檢測(cè)網(wǎng)絡(luò)通過(guò)非極大值抑制（Non-Maximum Suppression，NMS）對(duì)重復(fù)的冗余候選框進(jìn)行過(guò)濾，是艦船檢測(cè)中非常重要的一部分，它從一系列候選位置信息中預(yù)測(cè)出最佳的船舶檢測(cè)結(jié)果。NMS 直接過(guò)濾得分低且重疊度高的邊框，在SAR 圖像中的沿海港口存在一些密集型船舶，在重疊閾值中可能會(huì)出現(xiàn)附近船只的邊界盒。因此直接使用NMS 會(huì)降低模型的召回率。本文使用Soft-NMS方法通過(guò)線性函數(shù)抑制重疊檢測(cè)分?jǐn)?shù)，有效提升模型的召回率。其偽代碼如下所示：

Algorithm：Soft-NMS。

其中：

因此，總的Soft-NMS為：

其中：si為檢測(cè)分?jǐn)?shù)，M表示最大得分檢測(cè)框，bi表示剩余檢測(cè)框，μ代表IoU閾值。

2 實(shí)驗(yàn)環(huán)境

2.1 實(shí)驗(yàn)平臺(tái)

使用的操作系統(tǒng)為Ubuntu18.04，使用CUDA10.2 和cuDNN8.0 加速訓(xùn)練。使用的GPU 為GeForce RTX 2080Ti；使用python 和C 作為主要編程語(yǔ)言；使用的處理器為Inter core i7-9700KF CPU@3.6 GHz。

2.2 數(shù)據(jù)集的制作

本文數(shù)據(jù)集來(lái)源于海軍航空大學(xué)構(gòu)建的數(shù)據(jù)集SSDD（SAR Ship Detection Dataset）［16］，該數(shù)據(jù)集模仿PASCAL VOC數(shù)據(jù)集構(gòu)造，總共有1 160幅圖像和2 456條艦船，包含了多種成像條件下的SAR 艦船圖像，數(shù)據(jù)來(lái)源包括3 景Radar Sat-2煙臺(tái)港海域的SAR 圖像、Terra SAR-X 中部分圖像、哨兵SAR圖像，是目前國(guó)內(nèi)該領(lǐng)域常用的一個(gè)數(shù)據(jù)集（本文將訓(xùn)練集與測(cè)試集比例改為3∶1）。

2.3 評(píng)價(jià)指標(biāo)

本文主要使用召回率R（Recall）和準(zhǔn)確率P（Precision）對(duì)檢測(cè)結(jié)果進(jìn)行評(píng)估。

其中：TP為正確預(yù)測(cè)框數(shù)，F(xiàn)P為誤檢框數(shù)，GT真實(shí)標(biāo)簽框數(shù)。

2.4 模型訓(xùn)練

參數(shù)設(shè)置：使用在ImageNet1k 上預(yù)先訓(xùn)練好的RetinaNet模型，初始學(xué)習(xí)率為0.001，學(xué)習(xí)率衰減權(quán)重為0.000 1，參數(shù)更新方法為引入動(dòng)量的隨機(jī)梯度下降法（Momentum Stochastic Gradient Descent，Momentum SGD），動(dòng)量因子取0.9。設(shè)定Focal loss 中α=0.25，γ=1.5。損失函數(shù)如圖5所示。

圖5 損失函數(shù)變化曲線Fig.5 Loss function curves

3 實(shí)驗(yàn)結(jié)果分析與討論

3.1 測(cè)試結(jié)果分析

3.1.1 方法有效性證明

為了驗(yàn)證本文提出的改進(jìn)方法在SAR 數(shù)據(jù)集上的檢測(cè)性能，在SSDD 數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試，統(tǒng)計(jì)了各尺度下艦船目標(biāo)的具體檢測(cè)精度。設(shè)定預(yù)測(cè)框和真實(shí)框重疊率為0.5，首先計(jì)算整個(gè)數(shù)據(jù)集上的平均準(zhǔn)確率和平均召回率，然后分別計(jì)算在不同尺度目標(biāo)上的準(zhǔn)確率和召回率以進(jìn)一步對(duì)檢測(cè)結(jié)果進(jìn)行分析。將目標(biāo)分為大、中、小三類目標(biāo)，其尺度劃分采用COCO 數(shù)據(jù)集中的劃分規(guī)則，即Area：{S，M，L}分別為針對(duì)小目標(biāo)（Area＜322）、中等目標(biāo)（322＜Area＜962）和大目標(biāo)（Area＞962）。實(shí)驗(yàn)結(jié)果如表1 所示，其中：FA 表示FSAF方法，N 表示NAS-FPN，I 表示位置回歸損失采用IoU，G 表示位置回歸損失采用GIoU，S 表示采用Soft-NMS 對(duì)檢測(cè)框進(jìn)行過(guò)濾。

從表1 中可以看出，相比改進(jìn)前的方法，本文方法在小目標(biāo)上的檢測(cè)性能明顯提升。但由于使用GIoU 會(huì)導(dǎo)致網(wǎng)絡(luò)優(yōu)先選擇擴(kuò)大包圍框的面積來(lái)覆蓋真實(shí)框，而非移動(dòng)預(yù)測(cè)框接近真實(shí)框，其精確度有一定程度的下降，從對(duì)比實(shí)驗(yàn)可以看出，在對(duì)中小目標(biāo)檢測(cè)時(shí)影響較小。本文重點(diǎn)針對(duì)小目標(biāo)檢測(cè)，因此一定程度上可以忽略GIOU的不足。

表1 不同改進(jìn)方法實(shí)驗(yàn)結(jié)果比較Tab.1 Experimental result comparison of different improvement methods

3.1.2 與主流檢測(cè)方法的對(duì)比

為進(jìn)一步驗(yàn)證本文方法的檢測(cè)效果，將其與雙階段檢測(cè)和單階段檢測(cè)中的主流方法Faster RCNN［17］、SSD［18］進(jìn)行對(duì)比，結(jié)果如表2 所示。同時(shí)為了比較各模型的運(yùn)算速度，統(tǒng)計(jì)各模型在每個(gè)迭代中的速度。

從表2 中可以看出，本文方法相比SSD 模型在檢測(cè)精度上有明顯優(yōu)勢(shì)，其檢測(cè)準(zhǔn)確率接近Faster RCNN，對(duì)小目標(biāo)的召回率得到了明顯提升。同時(shí)，雖然相比SSD，本文方法的檢測(cè)效率有所下降，但相比Faster RCNN，運(yùn)行速度有明顯提升。綜合來(lái)說(shuō)，本文方法在保持精度優(yōu)勢(shì)的同時(shí)，也保持了速度優(yōu)勢(shì)，其檢測(cè)性能最佳。

表2 不同方法檢測(cè)精度與速度比較Tab.2 Comparison of detection accuracy and speed of different models

3.2 測(cè)試結(jié)果展示

3.2.1 小目標(biāo)檢測(cè)

如圖6 所示為本文數(shù)據(jù)集的部分小目標(biāo)檢測(cè)結(jié)果對(duì)比，第一列為FSAF 方法檢測(cè)結(jié)果，第二列為本文方法檢測(cè)結(jié)果。圖6（a）為受海雜波影響程度不同的海面密集型小尺寸SAR艦船目標(biāo)檢測(cè)圖像，從檢測(cè)結(jié)果中可以看出，F(xiàn)SAF 方法對(duì)小目標(biāo)漏檢嚴(yán)重，本文方法對(duì)小目標(biāo)的檢測(cè)效果有明顯提升；圖6（b）為背景中含有干擾信息且目標(biāo)數(shù)量較多的小尺寸艦船目標(biāo)圖像；在圖6（c）中FSAF 方法受陸地干擾嚴(yán)重，將小島誤檢為艦船目標(biāo)，而本文方法正確檢測(cè)到了全部小尺寸艦船目標(biāo)，大幅減少了對(duì)小目標(biāo)的漏檢和誤檢。

圖6 小目標(biāo)檢測(cè)結(jié)果對(duì)比Fig.6 Comparison of small target detection results

3.2.2 復(fù)雜場(chǎng)景檢測(cè)

如圖7所示為本文數(shù)據(jù)集的部分小目標(biāo)檢測(cè)結(jié)果對(duì)比，第一列為FSAF方法檢測(cè)結(jié)果，第二列為本文方法檢測(cè)結(jié)果。圖7（a）為復(fù)雜背景下典型的靠岸艦船檢測(cè)，F(xiàn)SAF 方法在背景含有干擾信息時(shí)難以對(duì)靠岸大艦船目標(biāo)進(jìn)行檢測(cè)，本文方法大大改進(jìn)了FSAF 的不足之處；圖7（b）為密集型靠岸艦船檢測(cè)，雖然本文方法仍存在一定程度的漏檢，但相比于FSAF方法召回率有所提升，對(duì)密集型艦船檢測(cè)有一定的適用性。圖7驗(yàn)證了本文方法對(duì)復(fù)雜背景下艦船目標(biāo)檢測(cè)性能有所改進(jìn)。

圖7 復(fù)雜場(chǎng)景下檢測(cè)結(jié)果對(duì)比Fig.7 Comparison of detection results in complex environment

4 結(jié)語(yǔ)

針對(duì)SAR 艦船目標(biāo)檢測(cè)中對(duì)小目標(biāo)識(shí)別精度不佳的問(wèn)題，本文提出了一種自適應(yīng)錨框和最優(yōu)特征層的單階段目標(biāo)檢測(cè)方法，該方法不依賴于錨框機(jī)制，能夠直接對(duì)目標(biāo)進(jìn)行編解碼以獲取位置和類別信息。針對(duì)小目標(biāo)檢測(cè)特征信息丟失問(wèn)題重新設(shè)計(jì)特征融合網(wǎng)絡(luò)，提高網(wǎng)絡(luò)對(duì)特征的利用率，并通過(guò)重構(gòu)損失函數(shù)和過(guò)濾算法使得網(wǎng)絡(luò)更適用于艦船目標(biāo)檢測(cè)。實(shí)驗(yàn)表明，該方法在速度和精度上有一定優(yōu)勢(shì)，在提升對(duì)小目標(biāo)檢測(cè)性能的同時(shí)改善了復(fù)雜場(chǎng)景下的靠岸目標(biāo)檢測(cè)效果。本文方法仍存在一定的漏檢，如何進(jìn)一步提升網(wǎng)絡(luò)的召回率并降低模型復(fù)雜度是后續(xù)研究的重點(diǎn)方向。同時(shí)，考慮到SAR 為復(fù)值圖像，如何結(jié)合SAR 成像機(jī)制入手，從相位信息進(jìn)一步推廣SAR 圖像目標(biāo)檢測(cè)和深度學(xué)習(xí)的融合值得進(jìn)一步探討。