周 正 崔宗勇 曹宗杰 楊建宇

(電子科技大學(xué)信息與通信工程學(xué)院 成都 611731)

1 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)作為一種主動(dòng)式的微波遙感系統(tǒng)，它能夠在全天候及復(fù)雜環(huán)境條件下獲取高分辨率的SAR圖像。GF-3,RadarSat-2,TerraSAR-X及Sentinel-1等星載高分辨率SAR的迅速發(fā)展，使得SAR在軍事和民用領(lǐng)域發(fā)揮著重要作用。SAR圖像往往存在著多尺度目標(biāo)，也存在著尺度比例相差巨大的目標(biāo)，比如機(jī)場(chǎng)目標(biāo)、飛機(jī)目標(biāo)、艦船目標(biāo)和車輛目標(biāo)等。然而，目前存在的SAR圖像多尺度目標(biāo)檢測(cè)方法并不多，大致分為3種類型[1]：(1)基于恒虛警率(Constant False Alarm Rate,CFAR)的檢測(cè)算法；(2)基于顯著性的檢測(cè)算法；(3)基于深度學(xué)習(xí)的檢測(cè)算法。但是檢測(cè)效果并不好，存在一定的漏檢和虛警。因此，針對(duì)SAR圖像中多尺度目標(biāo)檢測(cè)，提出一種高效率、高準(zhǔn)確率的多尺度目標(biāo)檢測(cè)方法對(duì)陸地偵察、軍事情報(bào)獲取和海洋管理等方面具有重要意義。

傳統(tǒng)的SAR圖像目標(biāo)檢測(cè)主要以CFAR算法為例，絕大多數(shù)CFAR算法基于局部滑窗對(duì)SAR圖像進(jìn)行逐像素檢測(cè)，SAR圖像中的每一個(gè)像素多次參與了滑窗運(yùn)算，致使算法的計(jì)算速度普遍不高。但是隨著高分辨率SAR圖像的出現(xiàn)，多尺度目標(biāo)周圍往往伴隨著復(fù)雜的地物干擾和紋理場(chǎng)景，也造成了大場(chǎng)景SAR圖像中大量背景雜波像素處的計(jì)算費(fèi)時(shí)過多。為了解決SAR圖像中多尺度目標(biāo)檢測(cè)問題，一些學(xué)者提出了很多改進(jìn)的CFAR目標(biāo)檢測(cè)算法，比如迭代式的CFAR目標(biāo)檢測(cè)算法[2]、基于改進(jìn)的超像素CFAR目標(biāo)檢測(cè)算法[3]、基于變尺度滑窗目標(biāo)檢測(cè)算法[4]。為了獲取到更多的目標(biāo)信息，消除相干斑噪聲的影響，Li等人[3]提出了一種用于目標(biāo)超像素檢測(cè)的兩階段CFAR檢測(cè)算法，對(duì)簡(jiǎn)單場(chǎng)景下艦船檢測(cè)效果較好，對(duì)尺度相差較大的不同目標(biāo)檢測(cè)結(jié)果較差。為了檢測(cè)到尺度較大的目標(biāo)，Zhai等人[5]提出顯著性和上下文信息處理的艦船檢測(cè)算法，能更加關(guān)注特征比較突出的大型艦船和背景目標(biāo)，但是該方法忽略了小型艦船。以上方法僅僅針對(duì)SAR圖像中背景較為簡(jiǎn)單的場(chǎng)景，雖然檢測(cè)效果不錯(cuò)，但是對(duì)于復(fù)雜的大場(chǎng)景SAR圖像來說，檢測(cè)性能將會(huì)下降。

近年來，許多學(xué)者提出了基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法，并且取得了較好的檢測(cè)性能?；贑NN的目標(biāo)檢測(cè)器可以分為兩種方法。一種是單階段檢測(cè)方法，如YOLO[6]和SSD[7]，檢測(cè)速度快，但是精度不高。另一種為兩階段檢測(cè)方法，如R-CNN[8]和Fast-RCNN[9]，檢測(cè)速度較慢，但是精度高。為了在實(shí)時(shí)SAR應(yīng)用領(lǐng)域具有一定的現(xiàn)實(shí)意義，張曉玲等人[10]提出一種高速高精度的SAR圖像艦船檢測(cè)方法。Hong等人[11]提出了一種基于YOLOv3的增加骨干網(wǎng)絡(luò)的多層金字塔結(jié)構(gòu)的算法，用于解決復(fù)雜環(huán)境下多尺度目標(biāo)檢測(cè)問題，但是該方法主要提升了小目標(biāo)的檢測(cè)效果，當(dāng)不同目標(biāo)尺度差距較大時(shí)，不能較好地實(shí)現(xiàn)大小目標(biāo)同時(shí)被檢測(cè)。陳慧元等人[12]提出一種基于深度網(wǎng)絡(luò)的大場(chǎng)景遙感艦船快速檢測(cè)方法，同時(shí)實(shí)現(xiàn)了任意朝向艦船的定位，檢測(cè)速度較快。同時(shí)Fang等人[13]提出一種解決遙感圖像中尺度多樣性和小目標(biāo)檢測(cè)問題的方案，能夠精細(xì)空間細(xì)節(jié)，能夠較好地檢測(cè)到遙感圖像中的小目標(biāo)，但是有些遙感圖像中存在尺度較大的目標(biāo)，該方法也不能較好地同時(shí)檢測(cè)到尺度差距較大的不同目標(biāo)。由于SAR圖像背景復(fù)雜，目標(biāo)和背景雜物難以被區(qū)分，容易產(chǎn)生很多漏檢和虛警。單階段檢測(cè)方法容易忽略底層目標(biāo)的特征，使得小目標(biāo)難以被檢測(cè)。為了提取到更多的目標(biāo)特征，需要充分利用多層次特征，采用兩階段檢測(cè)方法可以將目標(biāo)檢測(cè)率大大提高。為了更好地解決多尺度目標(biāo)檢測(cè)問題，Lin等人[14]提出了一種基于特征金字塔網(wǎng)絡(luò)(Feature Pyramid Networks,FPN)的多尺度特征表示方法，該方法可以較好地檢測(cè)出多尺度目標(biāo)，而且檢測(cè)率較好，但是對(duì)尺度比例相差巨大的目標(biāo)檢測(cè)效果較差。為了解決多尺度、多場(chǎng)景的SAR圖像目標(biāo)檢測(cè)問題，文獻(xiàn)[15,16]提出基于Faster-RCNN的稠密鏈接多尺度網(wǎng)絡(luò)，能夠較好地提取目標(biāo)特征，但是該網(wǎng)絡(luò)耗時(shí)較長(zhǎng)，也存在一定的虛警和漏檢。此外，顧佼佼等人[17]提出改進(jìn)Faster RCNN的艦船檢測(cè)方法，初步解決了特征提取不充分和重復(fù)檢測(cè)問題。Nie等人[18]提出基于MASKRCNN模型的艦船檢測(cè)算法，解決了小型艦船和大型艦船同時(shí)被檢測(cè)問題，但是出現(xiàn)小型艦船檢測(cè)性能上升和大型艦船檢測(cè)性能下降等結(jié)果。陳華杰等人[19]根據(jù)艦船目標(biāo)具有較大長(zhǎng)寬比的特點(diǎn)，提出了基于密集子區(qū)域切割的艦船快速檢測(cè)方法，降低了虛警率，提高了檢測(cè)速度。

通過以上分析知道，傳統(tǒng)的CFAR目標(biāo)檢測(cè)算法對(duì)簡(jiǎn)單場(chǎng)景進(jìn)行目標(biāo)檢測(cè)效果還不錯(cuò)，并且也可以較好地進(jìn)行多尺度目標(biāo)檢測(cè)，但是對(duì)于多類別復(fù)雜的大場(chǎng)景SAR圖像而言，多尺度目標(biāo)檢測(cè)性能有所下降。針對(duì)尺寸很大和尺寸很小的目標(biāo)，也存在小目標(biāo)漏檢或者大目標(biāo)漏檢以及虛警的問題?，F(xiàn)今流行的基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法對(duì)多尺度目標(biāo)檢測(cè)效果也很好，依然存在多類別復(fù)雜的大場(chǎng)景SAR圖像檢測(cè)性能下降，特別是尺寸很大和尺寸很小的目標(biāo)檢測(cè)性能較差的問題。因此現(xiàn)階段的目標(biāo)檢測(cè)算法還不能較好地同時(shí)檢測(cè)到不同類別的尺寸相差很大的目標(biāo)，比如大尺度機(jī)場(chǎng)目標(biāo)和小尺度艦船目標(biāo)。在同一幅SAR圖像中，目標(biāo)尺寸大小或者是目標(biāo)所占像素大小相差較大的不同目標(biāo)，稱為跨尺度目標(biāo)，其中，跨尺度是指不同目標(biāo)的尺度比例相差較大而呈現(xiàn)出大尺度和小尺度。如圖1(a)表示跨尺度機(jī)場(chǎng)目標(biāo)和艦船目標(biāo)，圖1(b)表示跨尺度艦船目標(biāo)。在FPN[14]中，提出了一種基于特征金字塔網(wǎng)絡(luò)的多尺度特征表示方法，并且受到文獻(xiàn)[16]的啟發(fā)，本文提出了一種基于特征轉(zhuǎn)移金字塔網(wǎng)絡(luò)(Feature-Transferrable Pyramid Network,FTPN)的SAR圖像跨尺度目標(biāo)檢測(cè)算法。首先，利用殘差網(wǎng)絡(luò)對(duì)SAR圖像進(jìn)行特征提取，經(jīng)過多個(gè)池化層輸出不同尺度的特征圖，并且將每一層的特征圖都轉(zhuǎn)移到后面每一層的特征層上，避免了隨著網(wǎng)絡(luò)深度的加深而目標(biāo)特征減少的問題，在下采樣的最后階段網(wǎng)絡(luò)層中加入空洞卷積，讓大尺度目標(biāo)的特征被提取，然后將特征轉(zhuǎn)移后的不同層的特征圖送入特征金字塔網(wǎng)絡(luò)進(jìn)行特征融合，能夠盡可能地保留密集排列以及尺度相差巨大的目標(biāo)特征，最后將融合后的特征送入?yún)^(qū)域候選網(wǎng)絡(luò)(Region Proposal Network,RPN)[15]進(jìn)行預(yù)測(cè)候選框輸出。試驗(yàn)結(jié)果表明，所提出的方法可以將復(fù)雜SAR圖像中密集排列的目標(biāo)和跨尺度目標(biāo)檢測(cè)出來，并且具有優(yōu)異的檢測(cè)性能。

圖1 跨尺度目標(biāo)Fig.1 Cross-scale objects

2 算法設(shè)計(jì)

本章節(jié)將詳細(xì)介紹FTPN的關(guān)鍵組件特征轉(zhuǎn)移層和空洞卷積群，然后再詳細(xì)介紹FTPN的結(jié)構(gòu)。

2.1 提出方法的思想

在SAR圖像多尺度目標(biāo)檢測(cè)中，充分利用不同層次之間的特征對(duì)最終檢測(cè)到不同尺度的目標(biāo)具有很重要的作用。因此，Zhang等人[20]針對(duì)遙感圖像中地面小目標(biāo)和大目標(biāo)展開分析，提出了一種基于密集連接和多尺度融合的檢測(cè)網(wǎng)絡(luò)，主要是把圖像中目標(biāo)的多尺度特征進(jìn)行融合，提高了多尺度目標(biāo)檢測(cè)的性能，但是試驗(yàn)中的多尺度目標(biāo)尺度比例相差不大，并且大小尺度目標(biāo)檢測(cè)效果不好，也沒有涉及關(guān)于跨尺度目標(biāo)檢測(cè)的概念。與文獻(xiàn)[20]中采用的密集連接和特征融合相比，本文方法是在自底向上過程中進(jìn)行特征轉(zhuǎn)移形成FTPN，在特征轉(zhuǎn)移層進(jìn)行轉(zhuǎn)移操作，將每一層的特征圖都轉(zhuǎn)移到后面每一層的特征層上，并且在下采樣最后階段網(wǎng)絡(luò)層中加入空洞卷積，更大程度地保留了小尺度和大尺度目標(biāo)的特征，這樣對(duì)尺度比例相差巨大的目標(biāo)才更有針對(duì)性。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)的詳細(xì)描述

2.2.1 特征轉(zhuǎn)移層

為了將SAR圖像中各種不同類型、不同尺度的目標(biāo)特征盡可能地提取出來，在文獻(xiàn)[21]和文獻(xiàn)[22]的啟發(fā)下，本文提出了特征轉(zhuǎn)移層。

原始模型特征金字塔網(wǎng)絡(luò)特征提取階段采用的是網(wǎng)絡(luò)的前向過程，而整個(gè)前向過程中，特征圖的大小會(huì)隨著網(wǎng)絡(luò)層的增加而發(fā)生部分改變，將特征圖沒有發(fā)生改變的層作為一個(gè)階段，并把這個(gè)階段的輸出作為后階段將要提取的特征。在整個(gè)過程中，隨著網(wǎng)絡(luò)層數(shù)的增加，SAR圖像中部分目標(biāo)特征消失，保證低層網(wǎng)絡(luò)在提取特征時(shí)不丟失小目標(biāo)特征的同時(shí)，也能夠讓高層網(wǎng)絡(luò)更準(zhǔn)確地提取大目標(biāo)特征，我們將每一個(gè)階段的所有特征轉(zhuǎn)移到后面每一個(gè)階段的特征圖上，充分把SAR圖像上的小目標(biāo)特征保留，使得每一個(gè)階段的特征圖都存在小目標(biāo)特征。在特征轉(zhuǎn)移層中，整個(gè)特征轉(zhuǎn)移后會(huì)進(jìn)行特征的有效連接，是將每一個(gè)階段輸出的特征進(jìn)行跨階段的轉(zhuǎn)移，在整個(gè)過程中通過池化操作讓每一層中的特征圖的大小保持一致，比如，第2個(gè)階段Conv2上的特征轉(zhuǎn)移到第4個(gè)階段Conv4時(shí)，池化窗口大小為2，步長(zhǎng)為4，保證了Conv4階段輸入進(jìn)來的不同階段特征圖的大小都是一致的。其中，對(duì)于每一個(gè)階段中輸入的多個(gè)特征，我們都進(jìn)行有效連接合并，但是連接合并之后的特征維數(shù)增加，為了使維數(shù)跟原本階段的特征輸入維數(shù)一樣，我們需要對(duì)轉(zhuǎn)移之后進(jìn)行連接的特征通過一個(gè)1×1的卷積來降維，保證卷積核的通道數(shù)和輸入特征通道數(shù)相同。

除此之外，每一個(gè)階段互相連接，不僅提高了低層網(wǎng)絡(luò)和高層網(wǎng)絡(luò)之間最大程度信息傳遞的能力，還減少了梯度消失的問題，盡可能地保留了SAR圖像中各種大小尺度不一的目標(biāo)特征信息，能夠?qū)⑿〕叨饶繕?biāo)和大尺度目標(biāo)的特征提取，特別是能夠很好地將較小目標(biāo)或者極小目標(biāo)的特征提取，促使后續(xù)特征融合效果更好，也為了能夠檢測(cè)到更多的不同類型、不同尺度的目標(biāo)，特征轉(zhuǎn)移網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 特征轉(zhuǎn)移網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Feature-transferrable network structure

2.2.2 空洞卷積群

由于SAR圖像中存在著跨尺度目標(biāo)，大尺度目標(biāo)的尺寸巨大，在卷積網(wǎng)絡(luò)中進(jìn)行特征提取時(shí)，出現(xiàn)了特征提取消失的問題。特征轉(zhuǎn)移層能保留SAR圖像中不同尺度的目標(biāo)特征，特別是在保留了更多小目標(biāo)特征的條件下，為了提取到SAR圖像中較大尺度和更大尺度的目標(biāo)特征，我們?cè)跇?biāo)準(zhǔn)的卷積中注入空洞，來增加感受野，在特征轉(zhuǎn)移層中引入空洞卷積，通過調(diào)節(jié)擴(kuò)張率來控制數(shù)據(jù)間距，在不降低特征分辨率的情況下，增大特征提取感受野，獲得更高層的語義信息，設(shè)置的擴(kuò)張率越大，其對(duì)應(yīng)的卷積核大小越大，特征提取感受野越大。帶擴(kuò)張率的卷積核大小如式(1)所示，空洞卷積感受野的計(jì)算方式如式(2)、式(3)所示。

其中，K為初始卷積核大小(Kernel size)，取值為3，D為擴(kuò)張率(Dilation rate),Ri為第i層的感受野(Receptive field)，相鄰權(quán)重之間的間隔為D–1，普通卷積的D默認(rèn)為1。

由上可知感受野的大小隨著擴(kuò)張率的增大而增大。例如，對(duì)于一個(gè)3×3的卷積層，當(dāng)D=1時(shí)，對(duì)應(yīng)的卷積核大小為3；當(dāng)D=24時(shí)，對(duì)應(yīng)的卷積核大小為49。擴(kuò)張率分別為{1,6,12,18,24}形成有梯度的并聯(lián)結(jié)構(gòu)的空洞卷積群，如圖3所示。設(shè)置不同的擴(kuò)張率，使得感受野的大小在原有的基礎(chǔ)上擴(kuò)大了幾十倍，并且對(duì)應(yīng)連接階段的特征圖將會(huì)分別并行通過此空洞卷積群中的空洞卷積，來獲取到SAR圖像中尺寸巨大的目標(biāo)。

由圖3可以知道，初始卷積核大小為3×3，其中rate為擴(kuò)張率，以設(shè)置不同的擴(kuò)張率如{1,6,12,18,24}來實(shí)現(xiàn)不同的并列的空洞卷積群。當(dāng)擴(kuò)張率為1時(shí)，感受野大小不變，重點(diǎn)就是為了保留小目標(biāo)的特征；當(dāng)擴(kuò)張率為24時(shí)，能夠?qū)⑤^大或者巨大尺度目標(biāo)的特征進(jìn)行提取。由圖3可知隨著擴(kuò)張率的逐漸增大，感受野大小也在逐漸增大?？斩淳矸e群的提出，更好地解決了大尺度目標(biāo)難以被檢測(cè)的問題。

圖3 空洞卷積群Fig.3 Dilated convolution group

2.2.3 網(wǎng)絡(luò)結(jié)構(gòu)

受到文獻(xiàn)[16]的啟發(fā)，我們?cè)O(shè)計(jì)了如圖4所示的FTPN,FTPN由自下而上的密集特征轉(zhuǎn)移網(wǎng)絡(luò)、橫向連接和自上而下的上采樣過程組成，其中Res-Net101是整個(gè)網(wǎng)絡(luò)的骨干網(wǎng)絡(luò)。首先，將Conv1,Conv2,Conv3,Conv4,Conv5階段進(jìn)行特征轉(zhuǎn)移，將后面4個(gè)階段的最后一個(gè)殘差塊的輸出作為{C2,C3,C4,C5}，在每?jī)蓚€(gè)階段之間形成特征轉(zhuǎn)移層，并在最后兩個(gè)階段之間加入空洞卷積群，形成特征轉(zhuǎn)移網(wǎng)絡(luò)，利于網(wǎng)絡(luò)能夠提取到SAR圖像跨尺度目標(biāo)特征。然后，在自上而下的網(wǎng)絡(luò)中，對(duì)高層語義信息更強(qiáng)的特征圖進(jìn)行上采樣，生成分辨率更高的特征圖。最后，通過橫向連接將自下而上和自上而下過程中相同空間大小的特征圖進(jìn)行融合，主要是采用1×1的卷積核進(jìn)行連接，可以更加充分地利用底層定位細(xì)節(jié)信息。將低分辨率的特征圖做2倍上采樣，將上采樣映射與相應(yīng)的自底向上映射進(jìn)行合并，為了減少混疊效應(yīng)，再在合并的圖上附加一個(gè)3×3的卷積生成最終的特征圖并作為{P2,P3,P4,P5}，分別與{C2,C3,C4,C5}相對(duì)應(yīng)，并且具有相同的空間尺寸。綜上所述，F(xiàn)TPN流程如式(4)、式(5)所示。

圖4 FTPN的框架Fig.4 Framework of FTPN

其中，F(xiàn)Cm表示自底向上過程中Convm階段生產(chǎn)的特征圖，F(xiàn)TCn表示自頂向下過程中Convn階段之前每一個(gè)階段生成的特征圖的總和，F(xiàn)TL表示特征轉(zhuǎn)移層。其中Subsampled表示下采樣操作，P表示生成的特征圖，Upsampling表示上采樣操作。

本文使用的FTPN代替了沒有特征轉(zhuǎn)移的單尺度特征圖來適應(yīng)RPN。由于本文方法在特征提取階段能將SAR圖像中不同尺度的目標(biāo)特征提取到，比如尺寸差異較大的目標(biāo)特征被提取。在保證所有各種不同尺度的目標(biāo)特征被提取的前提下，我們?cè)O(shè)置5種不同的anchor scales{322,642,1282,2562，5122}并分別分配到{P2,P3,P4,P5,P6}上，其中，P6是在P5的基礎(chǔ)上經(jīng)過一個(gè)步長(zhǎng)為2的最大池化層所得。{P2,P3,P4,P5,P6}對(duì)應(yīng)的通道數(shù)為{32,128,512,1024,2048}，并對(duì)anchor設(shè)置了不同的比例{1:1,1:2,1:3,3:1,2:1,2:3,3:2}。最后，把Faster-RCNN的分類器和邊界框回歸器附加到RPN得到的所有不同級(jí)別感興趣的區(qū)域上，最終作為SAR圖像跨尺度目標(biāo)檢測(cè)結(jié)果[16]。

3 試驗(yàn)與結(jié)果分析

本節(jié)首先介紹試驗(yàn)所需要的所有數(shù)據(jù)集，然后再介紹本文檢測(cè)結(jié)果的評(píng)估標(biāo)準(zhǔn)，對(duì)提出的創(chuàng)新點(diǎn)分別做消融試驗(yàn)驗(yàn)證，再與現(xiàn)階段先進(jìn)的目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行對(duì)比試驗(yàn)以及尺度比對(duì)目標(biāo)檢測(cè)結(jié)果的影響，最后驗(yàn)證了FTPN對(duì)SAR圖像跨尺度目標(biāo)檢測(cè)的有效性。所有的試驗(yàn)都在Intel(R) Core(TM) i7-8700 CPU和NVIDIA GeForce GTX 1070 GPU上進(jìn)行，操作系統(tǒng)是Linux。

3.1 試驗(yàn)設(shè)置與數(shù)據(jù)

本文所使用的數(shù)據(jù)集為：SSDD數(shù)據(jù)集[23]、AIR-SARShip-1.0[24]、高分辨率SAR艦船檢測(cè)數(shù)據(jù)集-2.0和SAR-Ship-Dataset[25]、高分三號(hào)機(jī)場(chǎng)數(shù)據(jù)集。這些數(shù)據(jù)集包含了不同極化方式、不同分辨率以及不同傳感器等多種SAR圖像，而機(jī)場(chǎng)數(shù)據(jù)集也因?yàn)椴煌直媛实腟AR圖像存在著不同尺度的機(jī)場(chǎng)目標(biāo)。SAR圖像中近海岸的機(jī)場(chǎng)目標(biāo)相對(duì)近岸的艦船來講尺度巨大，并且近岸也存在超大尺度艦船和超小尺度艦船。

考慮數(shù)據(jù)均衡問題，本文選取SSDD數(shù)據(jù)集一共1160幅SAR圖像、AIR-SARShip-1.0數(shù)據(jù)集一共31幅SAR圖像、高分辨率SAR艦船檢測(cè)數(shù)據(jù)集-2.0一共300幅SAR圖像、SAR-Ship-Dataset一共2000幅SAR圖像和高分三號(hào)機(jī)場(chǎng)數(shù)據(jù)集一共60幅SAR圖像，數(shù)據(jù)集中SAR圖像一共3551幅，并且按照7:2:1的比例將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集?？紤]機(jī)場(chǎng)數(shù)據(jù)集屬于小樣本，數(shù)量極少，因此通過翻轉(zhuǎn)、旋轉(zhuǎn)、隨機(jī)裁剪和增亮等數(shù)據(jù)增強(qiáng)方式將42幅機(jī)場(chǎng)訓(xùn)練集增加到1680幅。由統(tǒng)計(jì)可知，用于試驗(yàn)的數(shù)據(jù)集一共5189張，其中用于試驗(yàn)的訓(xùn)練集一共4124張，驗(yàn)證集一共710張，測(cè)試集一共355張。采用的骨干網(wǎng)是ResNet101，并且已經(jīng)在ImageNet上進(jìn)行了預(yù)訓(xùn)練。設(shè)置的初始學(xué)習(xí)率為0.001，衰減比為0.1，動(dòng)量為0.9，權(quán)重衰減為0.00004。

3.2 評(píng)估指標(biāo)

為了定量評(píng)估網(wǎng)絡(luò)的性能，我們采用了一些評(píng)估指標(biāo)，對(duì)檢測(cè)結(jié)果進(jìn)行定義，主要有4種方式：正確的正樣本(True Positives,TP)、正確的負(fù)樣本(True Negatives,TN)、假的正樣本(False Positives,FP)、假的負(fù)樣本(False Negatives,FN)。而本文主要采用了目標(biāo)檢測(cè)中常用的召回率(Recall)、精確率(Precision)、平均精度(Average Precision,AP)、平均精度均值(mean Average Precision,mAP)來評(píng)價(jià)網(wǎng)絡(luò)模型的性能。式(6)表示召回率的計(jì)算，式(7)表示精確率的計(jì)算，式(8)表示平均精度的計(jì)算，式(9)表示平均精度均值的計(jì)算。

AP是根據(jù)每一張圖像的召回率及精確率來確定的，以召回率為橫軸，精確率為縱軸，繪制出坐標(biāo)曲線，而AP就是該曲線與坐標(biāo)軸圍成的面積。其中P表示單點(diǎn)的精確率，R表示單點(diǎn)的召回率。

其中在計(jì)算mAP時(shí)，AP(i)和n分別為某一類的檢測(cè)平均精度和類別數(shù)。

3.3 試驗(yàn)結(jié)果及分析

基于本文所提出的FTPN，本節(jié)首先將特征轉(zhuǎn)移前后的網(wǎng)絡(luò)進(jìn)行自身對(duì)比試驗(yàn)，然后再與現(xiàn)今最新的目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行測(cè)試對(duì)比。

3.3.1 特征轉(zhuǎn)移對(duì)檢測(cè)結(jié)果的影響

本文提出的FTPN能夠獲取到密集目標(biāo)和跨尺度目標(biāo)特征。為了驗(yàn)證特征轉(zhuǎn)移層對(duì)最終檢測(cè)結(jié)果的影響，我們將模型中{C2,C3,C4,C5}之間進(jìn)行特征轉(zhuǎn)移，每?jī)蓚€(gè)模塊之間形成特征轉(zhuǎn)移層。盡可能地提取到更多的不同類型不同型號(hào)的目標(biāo)特征，特別是能提取到小目標(biāo)的特征。本文在已有的數(shù)據(jù)集中挑選出比較典型的復(fù)雜場(chǎng)景SAR圖像，不僅包含了小目標(biāo)艦船，還包含了大型艦船，并且各目標(biāo)之間處于密集緊挨的狀態(tài)，分別為遠(yuǎn)岸的密集艦船和近岸的密集排列艦船?；赟SDD數(shù)據(jù)集，在相同的試驗(yàn)設(shè)置且只有特征轉(zhuǎn)移的條件下，我們對(duì)試驗(yàn)數(shù)據(jù)測(cè)試集進(jìn)行測(cè)試，測(cè)試結(jié)果如圖5所示。

由圖5可以看出，沒有采用特征轉(zhuǎn)移層的方法檢測(cè)效果一般，并且存在一定的虛警和漏檢；而采用了特征轉(zhuǎn)移層的方法能夠?qū)⒋笮〕叨炔灰坏呐灤瑱z測(cè)出來。相比沒有特征轉(zhuǎn)移層的算法而言，本文方法的檢測(cè)率更高，虛警率更低，能夠提取到更多的目標(biāo)特征，并且檢測(cè)效果更好。

圖5 特征轉(zhuǎn)移層對(duì)檢測(cè)結(jié)果的影響Fig.5 Influence of feature-transfer layer on detection results

為了體現(xiàn)本文方法的真實(shí)性能，基于SSDD數(shù)據(jù)集、AIR-SARShip-1.0、高分辨率SAR艦船檢測(cè)數(shù)據(jù)集-2.0和SAR-Ship-Dataset的測(cè)試數(shù)據(jù)集的總和，本文采用標(biāo)準(zhǔn)的評(píng)估指標(biāo)mAP來進(jìn)行評(píng)價(jià)。mAP值越低表示算法的檢測(cè)性能越差，mAP值越高表示算法的檢測(cè)性能越好。如表1所示，可見特征轉(zhuǎn)移層對(duì)最終的檢測(cè)性能有明顯的改善，mAP值較高，說明FTPN具有更好的性能。

由表1可知，沒有加入特征轉(zhuǎn)移層的網(wǎng)絡(luò)mAP值為88.4%，而本文方法的mAP值為92.8%，相比之下，提出的創(chuàng)新方法可以讓模型的mAP提高4.4個(gè)百分點(diǎn)。本文方法通過特征轉(zhuǎn)移使得SAR圖像中不同類型不同尺度的目標(biāo)特征能夠盡可能地被提取，使得更多的目標(biāo)特征被融合且效果更好，最終檢測(cè)網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測(cè)時(shí)性能越好。

表1 特征轉(zhuǎn)移層對(duì)檢測(cè)結(jié)果的影響Tab.1 The influence of feature-transfer layer on detection results

3.3.2 空洞卷積群對(duì)檢測(cè)結(jié)果的影響

在本文中，由于SAR圖像中存在不同類別的不同尺度的目標(biāo)，特別是在一些大場(chǎng)景SAR圖像中，同時(shí)存在尺寸相差很大的SAR目標(biāo)，比如大尺度機(jī)場(chǎng)和小尺度艦船。而這類目標(biāo)往往不能夠被同時(shí)檢測(cè)，最主要的原因是特征提取網(wǎng)絡(luò)很難將這類目標(biāo)的特征進(jìn)行提取。為了驗(yàn)證本文提出的空洞卷積群對(duì)最終檢測(cè)結(jié)果的影響，在模型中{C4,C5}之間插入空洞卷積群，在保證SAR圖像中小目標(biāo)特征不丟失的同時(shí)，將SAR圖像中大尺度目標(biāo)的特征保留下來?；赟SDD數(shù)據(jù)集和高分三號(hào)機(jī)場(chǎng)數(shù)據(jù)集，在相同的試驗(yàn)設(shè)置且只有空洞卷積群的條件下，對(duì)試驗(yàn)數(shù)據(jù)測(cè)試集進(jìn)行測(cè)試，檢測(cè)結(jié)果如圖6所示。

由圖6可知，沒有采用空洞卷積群的方法同時(shí)檢測(cè)到尺度差異較大的目標(biāo)性能比較差，存在目標(biāo)漏檢；而采用了空洞卷積群的方法能夠?qū)⑷鐖D所示的大機(jī)場(chǎng)和小艦船同時(shí)檢測(cè)出來。相比沒有空洞卷積群的算法而言，本文方法的檢測(cè)效果更好，能夠更好地提取到尺度差異較大目標(biāo)的特征，并且能夠?qū)崿F(xiàn)跨尺度目標(biāo)檢測(cè)。

圖6 空洞卷積群對(duì)檢測(cè)結(jié)果的影響Fig.6 Influence of dilated convolution group on detection results

為了體現(xiàn)本文方法的真實(shí)性能，基于SSDD數(shù)據(jù)集、AIR-SARShip-1.0、高分辨率SAR艦船檢測(cè)數(shù)據(jù)集-2.0和SAR-Ship-Dataset的測(cè)試數(shù)據(jù)集的總和，采用標(biāo)準(zhǔn)的評(píng)估指標(biāo)mAP來進(jìn)行評(píng)價(jià)。mAP值越低表示算法的檢測(cè)性能越差，mAP值越高表示算法的檢測(cè)性能越好。如表2所示，可見空洞卷積群對(duì)最終檢測(cè)性能有明顯的改善，mAP值較高，說明提出網(wǎng)絡(luò)具有更好的性能。

由表2可以看出，沒有加入空洞卷積群的網(wǎng)絡(luò)mAP值為88.4%，而本文方法的mAP值為92.1%，相比之下，提出的創(chuàng)新方法可以讓模型的mAP提高3.7個(gè)百分點(diǎn)。本文方法通過空洞卷積群使得小尺度目標(biāo)特征和大尺度目標(biāo)特征更容易被提取，并且在特征融合階段讓更多的目標(biāo)特征能夠被融合，最終檢測(cè)網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測(cè)時(shí)性能更好。

表2 空洞卷積群對(duì)檢測(cè)結(jié)果的影響Tab.2 Influence of dilated convolution group on detection results

此外，為了驗(yàn)證本文提出的空洞卷積群有更好的檢測(cè)效果，將本文與主干網(wǎng)絡(luò)不同感受野下的檢測(cè)效果進(jìn)行了對(duì)比。通過改變主干網(wǎng)絡(luò)的層數(shù)來改變網(wǎng)絡(luò)的感受野，網(wǎng)絡(luò)層數(shù)越低，感受野則越小，網(wǎng)絡(luò)層數(shù)越高，則感受野越大。因此，本文分別與resnet50,resnet101和resnet152進(jìn)行試驗(yàn)對(duì)比，并且最終將3種小、中、大感受野下的檢測(cè)效果與本文提出的空洞卷積群下的檢測(cè)效果進(jìn)行對(duì)比。不同感受野下的檢測(cè)結(jié)果如圖7所示。

由圖7可知：當(dāng)使用resnet50為主干網(wǎng)絡(luò)時(shí)，感受野相對(duì)較小，從檢測(cè)結(jié)果圖可以看出大目標(biāo)的檢測(cè)效果不佳，更大目標(biāo)存在漏檢，也存在部分小目標(biāo)漏檢；當(dāng)使用resnet101為主干網(wǎng)絡(luò)時(shí)，感受野相對(duì)較大，從檢測(cè)結(jié)果圖上可以看出部分大目標(biāo)檢測(cè)效果較差，且小目標(biāo)部分漏檢；當(dāng)使用resnet152為主干網(wǎng)絡(luò)時(shí)，感受野相對(duì)更大，從檢測(cè)結(jié)果圖可以看出部分大目標(biāo)被檢測(cè)，但效果不好且存在很多虛警，部分小目標(biāo)漏檢；而本文提出的空洞卷積群卻相對(duì)更好地將跨尺度目標(biāo)同時(shí)檢測(cè)出來，并且虛警和漏檢都很少。除此之外，resnet50,resnet101和resnet152的檢測(cè)時(shí)間分別逐漸增加，而加入空洞卷積群之后的網(wǎng)絡(luò)檢測(cè)時(shí)間幾乎不變。最終試驗(yàn)結(jié)果證明本文提出的空洞卷積群的檢測(cè)性能更好。

圖7 不同感受野的檢測(cè)結(jié)果Fig.7 Detection results of different receptive fields

3.3.3 與其他算法的比較

現(xiàn)將本文提出的方法和現(xiàn)階段先進(jìn)的目標(biāo)檢測(cè)算法在基于SSDD數(shù)據(jù)集和高分三號(hào)機(jī)場(chǎng)數(shù)據(jù)集進(jìn)行試驗(yàn)對(duì)比，在網(wǎng)絡(luò)檢測(cè)結(jié)果對(duì)比試驗(yàn)中添加了基于深度學(xué)習(xí)目標(biāo)檢測(cè)網(wǎng)絡(luò)，比如基于單階段的目標(biāo)檢測(cè)網(wǎng)YOLOv4[26],YOLOv5，基于雙階段的目標(biāo)檢測(cè)網(wǎng)絡(luò)改進(jìn)的Faster R-CNN[15],PANet[27],DAPN[28]，以及基于anchor free的目標(biāo)檢測(cè)網(wǎng)絡(luò)SGE-centernet[29]。為了驗(yàn)證本文方法是否具有同時(shí)檢測(cè)出尺寸差異較大的目標(biāo)的檢測(cè)性能，本研究團(tuán)隊(duì)在數(shù)據(jù)集中挑選了具有尺度差距較大的SAR圖像，由于YOLOv4中包含PANet網(wǎng)絡(luò)結(jié)構(gòu)且與YOLOv5檢測(cè)性能幾乎一樣，所以挑選出YOLOv4,DAPN,SGE-centernet與本文方法進(jìn)行試驗(yàn)驗(yàn)證對(duì)比。試驗(yàn)驗(yàn)證對(duì)比結(jié)果如圖8所示。

由圖8可知，YOLOv4的檢測(cè)結(jié)果中大目標(biāo)和小目標(biāo)漏檢，小目標(biāo)漏檢情況較為嚴(yán)重；DAPN的檢測(cè)結(jié)果中出現(xiàn)了部分虛警，大目標(biāo)和小目標(biāo)漏檢；SGE-centernet的檢測(cè)結(jié)果較為良好，大目標(biāo)未被檢測(cè)，部分小目標(biāo)漏檢。相比其他幾個(gè)先進(jìn)的目標(biāo)檢測(cè)算法而言，本文方法在跨尺度目標(biāo)檢測(cè)上面也表現(xiàn)出不錯(cuò)的性能，不僅能夠?qū)⒊叨刃〉呐灤繕?biāo)檢測(cè)出來，還能將尺度較大的艦船目標(biāo)和機(jī)場(chǎng)目標(biāo)檢測(cè)出來，雖然存在個(gè)別虛警和漏檢，但是已經(jīng)初步解決尺度比例相差巨大的目標(biāo)難以同時(shí)被檢測(cè)出來的問題，實(shí)現(xiàn)了SAR圖像跨尺度目標(biāo)檢測(cè)。為了驗(yàn)證本文方法的真實(shí)檢測(cè)性能，基于SSDD數(shù)據(jù)集、AIR-SARShip-1.0、高分辨率SAR艦船檢測(cè)數(shù)據(jù)集-2.0和SAR-Ship-Dataset測(cè)試數(shù)據(jù)集的總和，與其他先進(jìn)的目標(biāo)檢測(cè)網(wǎng)絡(luò)相比較，在相同數(shù)據(jù)集下進(jìn)行算法驗(yàn)證，由于機(jī)場(chǎng)數(shù)據(jù)集屬于小樣本，測(cè)試數(shù)據(jù)很少，目標(biāo)檢測(cè)率為100%，但是數(shù)據(jù)樣本較少，用mAP值進(jìn)行評(píng)估時(shí)，不能作為判斷模型好壞的標(biāo)準(zhǔn)，因此文章中計(jì)算的mAP達(dá)到96.5%并沒有包含機(jī)場(chǎng)數(shù)據(jù)集，文章中對(duì)模型進(jìn)行評(píng)估時(shí)，所采用的mAP值評(píng)估的是所有數(shù)據(jù)集下SAR圖像艦船目標(biāo)，由于艦船目標(biāo)數(shù)量較多，并且該數(shù)據(jù)集中也存在跨尺度目標(biāo)，因此能作為判斷模型好壞的標(biāo)準(zhǔn)。各算法目標(biāo)檢測(cè)性能比較如表3所示。

圖8 與其他方法的比較Fig.8 Comparison with other methods

由表3可知，F(xiàn)aster R-CNN和Improved Faster R-CNN是端到端two-stage檢測(cè)算法，SSD和YOLOv4是端到端one-stage檢測(cè)算法，兩種類型的算法都是目前先進(jìn)的目標(biāo)檢測(cè)算法。從目標(biāo)檢測(cè)性能mAP值可以看出，本文方法的mAP值為96.5%，相比端到端two-stage檢測(cè)算法，比流行的Faster R-CNN算法的mAP值高出26.4個(gè)百分點(diǎn)，比改進(jìn)后的Faster R-CNN高出7.7個(gè)百分點(diǎn)，比DAPN高出6.7個(gè)百分點(diǎn)，比PANet高5.7個(gè)百分點(diǎn)；相比端到端one-stage檢測(cè)算法，比SSD檢測(cè)算法mAP值高出18 個(gè)百分點(diǎn)，比先進(jìn)的目標(biāo)檢測(cè)算法YOLOv4高出8.3個(gè)百分點(diǎn)，比YOLOv5高出8個(gè)百分點(diǎn)；比基于anchor free的SGE-CenterNet高出2.6個(gè)百分點(diǎn)。在同一數(shù)據(jù)集試驗(yàn)下，本文方法檢測(cè)性能更佳，能夠有效地提取到更多的目標(biāo)特征，目標(biāo)檢測(cè)精度更高，驗(yàn)證了本文方法的優(yōu)越性。

表3 與先進(jìn)的目標(biāo)檢測(cè)網(wǎng)絡(luò)相比Tab.3 Compared with advanced object detection networks

除此之外，本文方法還對(duì)大場(chǎng)景SAR圖像進(jìn)行目標(biāo)檢測(cè)，基于SSDD數(shù)據(jù)集、高分辨率SAR艦船檢測(cè)數(shù)據(jù)集-2.0和高分三號(hào)機(jī)場(chǎng)數(shù)據(jù)集，在相同的試驗(yàn)設(shè)置條件下進(jìn)行測(cè)試，測(cè)試結(jié)果如圖9所示。所使用的測(cè)試圖不存在官方的真值數(shù)據(jù)標(biāo)簽，其中大場(chǎng)景SAR圖像中的機(jī)場(chǎng)目標(biāo)屬于小樣本數(shù)據(jù)，因此對(duì)機(jī)場(chǎng)和艦船兩類目標(biāo)進(jìn)行檢測(cè)精度的分開統(tǒng)計(jì)。

圖9 大場(chǎng)景SAR圖像跨尺度目標(biāo)檢測(cè)結(jié)果Fig.9 Cross-scale object detection results in large scene SAR images

本團(tuán)隊(duì)對(duì)大場(chǎng)景SAR圖像檢測(cè)結(jié)果圖中兩類目標(biāo)的個(gè)數(shù)以及目標(biāo)檢測(cè)個(gè)數(shù)進(jìn)行了人工統(tǒng)計(jì)，并且統(tǒng)計(jì)到機(jī)場(chǎng)真值目標(biāo)個(gè)數(shù)一共3個(gè)，艦船真值目標(biāo)個(gè)數(shù)為80個(gè)，并且設(shè)置N為SAR圖像中某一類目標(biāo)的真值總數(shù)，n為正確檢測(cè)到某一類目標(biāo)的總數(shù)，m表示漏檢個(gè)數(shù)，f表示虛警個(gè)數(shù)。用DP表示檢測(cè)概率，MP表示漏檢概率，F(xiàn)P表示虛警概率，如式10–式12所示。機(jī)場(chǎng)目標(biāo)和艦船目標(biāo)的結(jié)果統(tǒng)計(jì)如表4所示。

由表4可以知道，機(jī)場(chǎng)的檢測(cè)概率為100%，漏檢概率為0%，虛警概率為0%；艦船的檢測(cè)概率為95%，漏檢概率為5%，虛警概率為6.25%。分析可知，檢測(cè)結(jié)果圖為復(fù)雜背景的大場(chǎng)景SAR圖像，艦船目標(biāo)在圖像中所占比例極小，不容易被檢測(cè)到，并且容易出現(xiàn)虛警。

表4 機(jī)場(chǎng)目標(biāo)和艦船目標(biāo)的結(jié)果統(tǒng)計(jì)Tab.4 Result statistics for airport and ship objects

3.3.4 不同尺度比的檢測(cè)結(jié)果

在本文中，定義尺度比即大目標(biāo)尺度與小目標(biāo)尺度的比值大小。由于SAR圖像中存在不同類型及不同尺度大小的目標(biāo)，由此可見SAR圖像中不同目標(biāo)之間存在不同的尺度比。為了驗(yàn)證尺度比對(duì)目標(biāo)檢測(cè)識(shí)別結(jié)果的影響，現(xiàn)挑選了幾幅有幾種不同尺度比的大場(chǎng)景SAR圖像進(jìn)行試驗(yàn)驗(yàn)證，分別為以下4種類型的目標(biāo)：從圖10(a)到圖10(d)目標(biāo)尺度比值逐漸增大，試驗(yàn)驗(yàn)證結(jié)果如圖10所示。

試驗(yàn)結(jié)果表明本文提出的方法可以提取到更多不同尺度的目標(biāo)特征，本文方法不僅可以兼顧不同尺度比的目標(biāo)，還可以將目標(biāo)尺度比例較小、目標(biāo)尺度比值適中、目標(biāo)尺度比值較大、目標(biāo)尺度比值極大的目標(biāo)檢測(cè)出來，最終實(shí)現(xiàn)SAR圖像跨尺度目標(biāo)檢測(cè)。從圖10(a)可以看出SAR圖像中目標(biāo)尺度比值較小，各個(gè)目標(biāo)很容易被檢測(cè)出來；從圖10(b)可以看出尺度比值稍微偏大，SAR圖像出現(xiàn)了不同大小的目標(biāo)，但是檢測(cè)結(jié)果較好；從圖10(c)可以看出尺度比值較大，大尺度艦船目標(biāo)較大較長(zhǎng)，小尺度艦船目標(biāo)較小較短，且整體檢測(cè)效果較好；而對(duì)于圖10(d)，SAR圖像中存在著尺度比值極大的目標(biāo)，比如同時(shí)存在大尺度艦船目標(biāo)和大尺度機(jī)場(chǎng)目標(biāo)以及小尺度艦船目標(biāo)，整體檢測(cè)結(jié)果較好，存在一個(gè)漏檢，實(shí)現(xiàn)了SAR圖像跨尺度目標(biāo)檢測(cè)。從分析尺度比對(duì)目標(biāo)檢測(cè)識(shí)別的結(jié)果來看，隨著尺度比的逐漸增大，檢測(cè)效果會(huì)呈現(xiàn)下降趨勢(shì)，檢測(cè)難度增加，尺度比越小，越表現(xiàn)出良好的檢測(cè)性能。

圖10 不同尺度比的檢測(cè)結(jié)果Fig.10 Detection results of different scale ratios

除此之外，針對(duì)一幅圖像中只有大尺度或者小尺度目標(biāo)等單一尺度下的目標(biāo)檢測(cè)問題，本文提出的方法仍然可以解決。本團(tuán)隊(duì)為此增加不同的單一尺度目標(biāo)檢測(cè)試驗(yàn)，挑選出典型的SAR圖像進(jìn)行檢測(cè)：圖11(a)小尺度艦船、圖11(b)大尺度艦船和大尺度機(jī)場(chǎng)，檢測(cè)結(jié)果如圖11所示。

圖11試驗(yàn)結(jié)果表明，本文提出的方法可以較好地將不同單一尺度的目標(biāo)檢測(cè)出來。事實(shí)上，本文提出的SAR跨尺度目標(biāo)檢測(cè)網(wǎng)絡(luò)在進(jìn)行尺度相差較大目標(biāo)檢測(cè)時(shí)，所提出的空洞卷積群是并行處理送入的特征圖，不同尺度目標(biāo)的檢測(cè)過程其實(shí)是互不影響且不沖突的。并且通過特征轉(zhuǎn)移操作和空間卷積群操作，相當(dāng)于增加了檢測(cè)網(wǎng)絡(luò)對(duì)目標(biāo)尺度的容忍上下限，并不會(huì)造成顧此失彼的情況。

圖11 不同單一尺度的檢測(cè)結(jié)果Fig.11 Different single scale detection results

在本文測(cè)試試驗(yàn)的355張數(shù)據(jù)中，統(tǒng)計(jì)出101張數(shù)據(jù)只包括小尺度艦船，35張數(shù)據(jù)只包括大尺度艦船，18張數(shù)據(jù)只包括大尺度機(jī)場(chǎng)，除此之外，還有201張數(shù)據(jù)只包括多尺度的目標(biāo)。為了驗(yàn)證本文方法在不同單一尺度下的檢測(cè)性能，本團(tuán)隊(duì)對(duì)小尺度艦船、大尺度艦船和大尺度機(jī)場(chǎng)數(shù)據(jù)進(jìn)行了測(cè)試。根據(jù)統(tǒng)計(jì)結(jié)果，針對(duì)單一尺度目標(biāo)的檢測(cè)性能如表5所示。

由表5可知，本文提出的方法針對(duì)不同單一尺度的目標(biāo)進(jìn)行檢測(cè)時(shí)，不同單一尺度的mAP值跟原有試驗(yàn)的mAP值差距很小。因此，不同單一尺度試驗(yàn)和原有試驗(yàn)結(jié)果表明，本文的方法無論是針對(duì)單一尺度目標(biāo)檢測(cè)還是針對(duì)跨尺度目標(biāo)檢測(cè)，均有較好的性能。

表5 單一尺度目標(biāo)的檢測(cè)性能Tab.5 Single scale object detection performance

4 結(jié)論

合成孔徑雷達(dá)圖像目標(biāo)檢測(cè)任務(wù)具有重要的研究意義和實(shí)際價(jià)值，在SAR圖像中不僅僅存在尺度比例相近的目標(biāo)，還存在著尺度比例相差巨大的跨尺度目標(biāo)。針對(duì)SAR圖像中跨尺度目標(biāo)很難被檢測(cè)的問題，本文提出了一種基于特征轉(zhuǎn)移金字塔網(wǎng)絡(luò)的SAR圖像跨尺度目標(biāo)檢測(cè)方法，該方法將整個(gè)網(wǎng)絡(luò)的特征提取階段進(jìn)行特征轉(zhuǎn)移，實(shí)現(xiàn)高層的特征圖輸出都存在大小尺度的目標(biāo)特征，同時(shí)在高層網(wǎng)絡(luò)中加入空洞卷積群，不僅保證了小目標(biāo)特征不會(huì)消失，還能提取到大目標(biāo)的特征。試驗(yàn)結(jié)果表明，該方法能夠?qū)AR圖像中跨尺度目標(biāo)檢測(cè)出來。除此之外，在同一數(shù)據(jù)集下，分別做了特征轉(zhuǎn)移和空洞卷積群對(duì)檢測(cè)結(jié)果影響的驗(yàn)證，并與其他先進(jìn)的目標(biāo)檢測(cè)算法進(jìn)行跨尺度目標(biāo)檢測(cè)試驗(yàn)驗(yàn)證，試驗(yàn)結(jié)果表明本文方法的檢測(cè)性能更優(yōu)且能檢測(cè)到跨尺度目標(biāo)。