關(guān)鍵詞：合成孔徑雷達(dá)；艦船檢測(cè)；旋轉(zhuǎn)目標(biāo)檢測(cè)；神經(jīng)網(wǎng)絡(luò)；特征融合

中圖分類號(hào)：ＴＰ７５１．１ 文獻(xiàn)標(biāo)志碼：Ａ 犇犗犐：１０．１２３０５／ｊ．ｉｓｓｎ．１００１-５０６Ｘ．２０２４．１２．１３

０引言

合成孔徑雷達(dá)（ｓｙｎｔｈｅｔｉｃａｐｅｒｔｕｒｅｒａｄａｒ，ＳＡＲ）可以進(jìn)行全天候、全天時(shí)遙感成像，并且可以對(duì)抗常見(jiàn)的遮擋偽裝措施，在海洋監(jiān)測(cè)、軍事作戰(zhàn)、農(nóng)業(yè)資源普查、自然災(zāi)害監(jiān)測(cè)等方面有著廣泛的應(yīng)用［１３］。在戰(zhàn)爭(zhēng)中遂行復(fù)雜情況下的反艦作戰(zhàn)行動(dòng)是捍衛(wèi)國(guó)家主權(quán)和海洋利益的重要任務(wù)，在廣袤的海洋中搜索對(duì)方水面作戰(zhàn)艦艇是執(zhí)行反艦作戰(zhàn)的重要環(huán)節(jié)。在此需求的牽引下，利用ＳＡＲ 圖像進(jìn)行艦船檢測(cè)成為一個(gè)重要的研究課題［４６］。

現(xiàn)有的ＳＡＲ 圖像艦船檢測(cè)技術(shù)主要有傳統(tǒng)的基于恒虛警率（ｃｏｎｓｔａｎｔｆａｌｓｅａｌａｒｍｒａｔｅ，ＣＦＡＲ）的檢測(cè)和基于深度學(xué)習(xí)的檢測(cè)。

ＣＦＡＲ 檢測(cè)方法是根據(jù)雷達(dá)回波數(shù)據(jù)的統(tǒng)計(jì)特征動(dòng)態(tài)調(diào)整其檢測(cè)閾值，使得雷達(dá)虛警率保持恒定的方法，這一經(jīng)典方法亦廣泛應(yīng)用于ＳＡＲ 圖像艦船目標(biāo)檢測(cè)中。李燾［７］提出一種基于全局局部?jī)杉?jí)超像素ＣＦＡＲ 的單極化ＳＡＲ圖像目標(biāo)檢測(cè)算法，經(jīng)ＴｅｒｒａＳＡＲ-Ｘ 的實(shí)測(cè)數(shù)據(jù)驗(yàn)證，該算法在保證檢測(cè)質(zhì)量的同時(shí)也提高了檢測(cè)效率。Ｌｉｕ等［８］提出一種基于Ｋ-Ｗｉｓｈａｒｔ分布的簡(jiǎn)縮極化ＳＡＲ 艦船檢測(cè)方法，通過(guò)對(duì)分法獲得誤報(bào)率來(lái)設(shè)置ＣＦＡＲ 的閾值，實(shí)現(xiàn)了復(fù)雜海洋背景下的自適應(yīng)艦船檢測(cè)。

傳統(tǒng)方法通過(guò)特征變換算法提高ＳＡＲ 圖像的信雜比以實(shí)現(xiàn)對(duì)特定場(chǎng)景的艦船目標(biāo)檢測(cè)，通用性較差。深度學(xué)習(xí)方法在特征挖掘上有著得天獨(dú)厚的優(yōu)勢(shì)，因此這一方法逐漸成為ＳＡＲ 圖像艦船檢測(cè)的主流研究方向。基于深度學(xué)習(xí)的艦船檢測(cè)方法主要有基于錨框和無(wú)錨框兩大類［９］。這兩類方法的本質(zhì)區(qū)別在于正負(fù)樣本分配以及回歸的方式：前者通過(guò)設(shè)置閾值將候選框分配為正負(fù)樣本，通過(guò)回歸得到中心點(diǎn)坐標(biāo)和長(zhǎng)寬的偏移量［１０］；后者通過(guò)特征圖上點(diǎn)是否落入標(biāo)注框來(lái)確認(rèn)正負(fù)樣本，通過(guò)回歸得到中心點(diǎn)到目標(biāo)邊框的４ 個(gè)距離［１１］。在基于錨框的方法中：Ｃｈａｎｇ等［１２］通過(guò)簡(jiǎn)化ＹＯＬＯ （ｙｏｕｏｎｌｙｌｏｏｋｏｎｃｅ）ｖ２ 模型結(jié)構(gòu)，在小幅度犧牲檢測(cè)精度的情況下，在ＳＡＲ 艦船檢測(cè)數(shù)據(jù)集（ＳＡＲｓｈｉｐｄｅｔｅｃｔｉｏｎｄａｔａｓｅｔ，ＳＳＤＤ）上的檢測(cè)速度達(dá)到原始ＹＯＬＯｖ２模型的２．５倍；Ｌｉ等［１３］通過(guò)Ｋｍｅａｎｓ對(duì)標(biāo)注框的尺度進(jìn)行聚類以選擇更合理的ａｎｃｈｏｒ，通過(guò)感興趣區(qū)域?qū)R（ｒｅｇｉｏｎｏｆｉｎｔｅｒｅｓｔａｌｉｇｎ，ＲｏＩＡｌｉｇｎ）代替感興趣區(qū)域池化（ｒｅｇｉｏｎｏｆｉｎｔｅｒｅｓｔｐｏｏｌｉｎｇ，ＲｏＩＰｏｏｌ）減小定位誤差，經(jīng)過(guò)改進(jìn)，定位精度比傳統(tǒng)的更快的基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（ｆａｓｔｅｒｒｅｇｉｏｎｂａｓｅｄ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ，ＦａｓｔｅｒＲ-ＣＮＮ）提高２．７８％，并且速度提高了８倍。在ａｎｃｈｏｒｆｒｅｅ方法中，Ｍａｏ等［１４］通過(guò)提出一種專用于ＳＡＲ 艦船檢測(cè)的殘差ＳＡＲ 網(wǎng)絡(luò)（ｒｅｓｉｄｕａｌＳＡＲｎｅｔｗｏｒｋ，ＲｅｓＳＡＲＮｅｔ）模型以改進(jìn)全卷積單階段（ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｏｎｅ-ｓｔａｇｅ，ＦＣＯＳ）檢測(cè)算法，在ＳＳＤＤ 數(shù)據(jù)集上達(dá)到了６１．５％ 的平均精度和７０．９％ 的平均召回率；Ｓｕｎ等［１５］提出一種類別位置模塊來(lái)優(yōu)化ＦＣＯＳ 網(wǎng)絡(luò)中的位置回歸，并重新設(shè)計(jì)了目標(biāo)分類和邊界框（ｂｏｕｎｄｉｎｇｂｏｘ，ＢＢ）回歸方法以降低模糊區(qū)域?qū)τ?xùn)練的影響；Ｙｕ等［１６］提出一種輕量化的實(shí)時(shí)監(jiān)測(cè)網(wǎng)絡(luò)，通過(guò)Ｆｏｃｕｓ模塊和ＡＳＩＲ 模塊，在不丟失信息的情況下，對(duì)ＳＡＲ圖像進(jìn)行多次降采樣，使用最小的參數(shù)進(jìn)行特征提取，并且設(shè)計(jì)了一種新的損失函數(shù)以進(jìn)行訓(xùn)練，在ＳＳＤＤ數(shù)據(jù)集上達(dá)到了每秒４２．５幀的檢測(cè)速度。

當(dāng)下用于目標(biāo)檢測(cè)的通用數(shù)據(jù)集多使用水平ＢＢ（ｈｏｒｉ-ｚｏｎＢＢ，ＨＢＢ）進(jìn)行標(biāo)注，但是由于艦船目標(biāo)較為狹長(zhǎng)，并且方向具有隨意性，港口密集系泊的艦船在使用ＨＢＢ 標(biāo)注后有較大的重疊區(qū)域，因此使用ＨＢＢ進(jìn)行標(biāo)注對(duì)于艦船目標(biāo)檢測(cè)并不適合。定向ＢＢ （ｏｒｉｅｎｔｅｄＢＢ，ＯＢＢ）更適合用于艦船目標(biāo)的標(biāo)注，而且可以獲得艦船的航向信息，可用于對(duì)目標(biāo)艦船進(jìn)行航跡預(yù)測(cè)。徐從安等［１７］開(kāi)源使用ＯＢＢ標(biāo)注的ＳＡＲ 圖像旋轉(zhuǎn)艦船檢測(cè)數(shù)據(jù)集（ｒｏｔａｔｅｄｓｈｉｐｄｅｔｅｃｔｉｏｎｄａｔａｓｅｔｉｎＳＡＲｉｍａｇｅｓ，ＲＳＤＤ-ＳＡＲ），該數(shù)據(jù)集由８４ 景高分３號(hào)數(shù)據(jù)和４１景ＴｅｒｒａＳＡＲ-Ｘ 數(shù)據(jù)切片及２景未剪裁大圖、共１２７景數(shù)據(jù)構(gòu)成。已有多人基于此數(shù)據(jù)集發(fā)表關(guān)于艦船目標(biāo)檢測(cè)的文章。Ｚｈｏｕ等［１８］采用金字塔視覺(jué)轉(zhuǎn)換器（ｐｙｒａｍｉｄｖｉｓｉｏｎｔｒａｎｓｆｏｒｍｅｒ，ＰＶＴ）對(duì)ＳＡＲ 圖像進(jìn)行多尺度的特征表示，并使用歸一化Ｇａｕｓｓｉａｎ-Ｗａｓｓｅｒｓｔｅｉｎ距離作為損失函數(shù)，在此基礎(chǔ)上還設(shè)計(jì)了一款多尺度特征融合模塊用于后續(xù)的小目標(biāo)檢測(cè)。Ｚｈｏｕ等［１９］提出一種使用橢圓焦點(diǎn)向量來(lái)間接回歸ＯＢＢ旋轉(zhuǎn)角的算法，并將其運(yùn)用于基于無(wú)錨框的ＹＯＬＯＸ 目標(biāo)檢測(cè)算法中，在正負(fù)樣本分配中采用二維高斯分布進(jìn)行初步篩選，進(jìn)而使用Ｋｕｌｌｂａｃｋ-Ｌｅｉｂｌｅｒ散度（Ｋｕｌｌｂａｃｋ-Ｌｅｉｂｌｅｒｄｉｖｅｒｇｅｎｃｅ，ＫＬＤ）損失和簡(jiǎn)化最優(yōu)運(yùn)輸分配（ｓｉｍｐｌｉｆｉｅｄｏｐｔｉｍａｌｔｒａｎｓｐｏｒｔａｓｓｉｇｎｍｅｎｔ，ＳｉｍＯＴＡ）進(jìn)一步細(xì)化分配結(jié)果，最終在ＲＳＤＤ-ＳＡＲ 數(shù)據(jù)集上取得了９０．１％的平均精度均值（ｍｅａｎａｖｅｒａｇｅｐｒｅｃｉｓｉｏｎ，ｍＡＰ）；Ｇｅ等［２０］將ＯＢＢ建模為幾何中心和長(zhǎng)短邊中心作為形狀描述符，提出一種軟訓(xùn)練樣本分配策略，用于改進(jìn)無(wú)錨框的目標(biāo)檢測(cè)算法，在本數(shù)據(jù)集上最終測(cè)試結(jié)果顯著高于其他方法。Ｚｈａｎｇ等［２１］提出一種基于目標(biāo)散射特性的定向兩級(jí)檢測(cè)模塊，設(shè)計(jì)了一種基于關(guān)鍵散射點(diǎn)的區(qū)域建議網(wǎng)絡(luò)（ｒｅｇｉｏｎｐｒｏｐｏｓａｌｎｅｔｗｏｒｋ，ＲＰＮ），最終在ＲＳＤＤＳＡＲ 數(shù)據(jù)集上交并比為０．５時(shí)平均檢測(cè)精度達(dá)到了０．６９３４。

為了進(jìn)一步提高旋轉(zhuǎn)場(chǎng)景下的ＳＡＲ 圖像艦船目標(biāo)檢測(cè)精度，減少漏檢與誤檢，本文基于單次對(duì)齊網(wǎng)絡(luò)（ｓｉｎｇｌｅ-ｓｈｏｔａｌｉｇｎｍｅｎｔｎｅｔｗｏｒｋ，Ｓ２ＡＮｅｔ）［２２］目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行改進(jìn)。首先，將原殘差網(wǎng)絡(luò)（ｒｅｓｉｄｕａｌｎｅｗｏｒｋ，ＲｅｓＮｅｔ）５０［２３］骨干網(wǎng)絡(luò)替換為特征提取能力更強(qiáng)的Ｓｗｉｎ-Ｔｒａｎｓｆｏｒｍｅｒ［２４］骨干網(wǎng)絡(luò)，并在圖像塊融合部分加入了位置編碼信息，避免由特征圖分辨率降低導(dǎo)致的定位信息損失。然后，在特征融合部分提出一種基于全局注意力（ｇｌｏｂａｌａｔｔｅｎｔｉｏｎ，ＧＡ）的自下而上的特征融合網(wǎng)絡(luò)，來(lái)傳遞底層的高分辨定位特征，從而提高艦船檢測(cè)框的定位精度。最后，針對(duì)旋轉(zhuǎn)艦船目標(biāo)錨點(diǎn)與目標(biāo)實(shí)際位置存在偏差的問(wèn)題，采用Ｓ２ＡＮｅｔ網(wǎng)絡(luò)中的旋轉(zhuǎn)特征對(duì)齊網(wǎng)絡(luò)，根據(jù)艦船目標(biāo)的大小、形狀與方向生成高質(zhì)量的旋轉(zhuǎn)錨點(diǎn)，從而實(shí)現(xiàn)自適應(yīng)的特征對(duì)齊，對(duì)齊后的特征可以更加精準(zhǔn)地表達(dá)艦船目標(biāo)區(qū)域的特征，提高艦船目標(biāo)檢測(cè)的準(zhǔn)確率。

１全局特征融合檢測(cè)網(wǎng)絡(luò)

本文提出的基于全局融合的自注意網(wǎng)絡(luò)結(jié)構(gòu)如圖１所示，包括Ｓｗｉｎ-Ｔｒａｎｓｆｏｒｍｅｒ骨干網(wǎng)絡(luò)、基于ＧＡ 的特征金字塔網(wǎng)絡(luò)（ＧＡｆｅａｔｕｒｅｐｙｒａｍｉｄｎｅｔｗｏｒｋ，ＧＡ-ＦＰＮ）、特征融合網(wǎng)絡(luò)和旋轉(zhuǎn)特征對(duì)齊網(wǎng)絡(luò)，本文將在以下詳細(xì)闡述各部分內(nèi)容。

作者簡(jiǎn)介

薛峰濤（１９８０—），男，研究員，碩士，主要研究方向?yàn)槔走_(dá)探測(cè)、信息感知與處理技術(shù)及其工程實(shí)現(xiàn)。

孫天宇（１９９８—），男，助理工程師，碩士，主要研究方向?yàn)椋樱粒?圖像艦船檢測(cè)與識(shí)別。

楊益民（１９９８—），男，碩士研究生，主要研究方向?yàn)椋樱粒?圖像艦船檢測(cè)與識(shí)別。

楊?。ǎ保梗叮怠?，男，教授，博士，主要研究方向?yàn)闃O化理論、極化ＳＡＲ應(yīng)用。