摘 要：針對現(xiàn)有的目標(biāo)檢測算法對合成孔徑雷達(dá)（Ｓｙｎｔｈｅｔｉｃ Ａｐｅｒｔｕｒｅ Ｒａｄａｒ，ＳＡＲ） 圖像中的艦船目標(biāo)檢測精度低、速度慢的問題，提出了一種基于ＹＯＬＯ 框架的輕量化ＳＡＲ 圖像艦船檢測算法?；冢伲希蹋?框架，用Ｇｈｏｓｔ 模塊和高效通道注意力（Ｅｆｆｉｃｉｅｎｔ Ｃｈａｎｎｅｌ Ａｔｔｅｎｔｉｏｎ，ＥＣＡ） 機(jī)制來改進(jìn)ＳｈｕｆｆｌｅＮｅｔＶ２ 網(wǎng)絡(luò)構(gòu)建新的骨干網(wǎng)絡(luò)，以降低內(nèi)存訪問成本，提高特征提取能力；將頸部網(wǎng)絡(luò)中的Ｃ３ 模塊引入多尺度金字塔切分注意力（Ｐｙｒａｍｉｄ Ｓｐｌｉｔ Ａｔｔｅｎｔｉｏｎ，ＰＳＡ） 模塊，充分提取不同尺度特征圖的空間信息，加強(qiáng)多尺度特征融合能力；用輕量級ＧＳＣｏｎｖ 卷積消除模型冗余特征，在保持檢測精度的同時(shí)降低模型參數(shù)量。實(shí)驗(yàn)結(jié)果表明，在公開數(shù)據(jù)集ＳＳＤＤ 上，所提模型的平均精度達(dá)到９４． ８％ ，參數(shù)量為３． １０ Ｍ，模型權(quán)重大小為６． ４ ＭＢ，滿足ＳＡＲ 圖像艦船實(shí)時(shí)檢測的需求。

關(guān)鍵詞：合成孔徑雷達(dá)；艦船檢測；輕量化網(wǎng)絡(luò)；ＹＯＬＯ；特征增強(qiáng)

中圖分類號：ＴＮ７５１ 文獻(xiàn)標(biāo)志碼：Ａ

文章編號：１００３－３１０６（２０２４）１０－２３４７－０８

０ 引言

海面艦船檢測在軍事監(jiān)控、航行安全和漁業(yè)管理等方面具有重要的研究意義。而合成孔徑雷達(dá)（Ｓｙｎｔｈｅｔｉｃ Ａｐｅｒｔｕｒｅ Ｒａｄａｒ，ＳＡＲ）作為一種可以安裝在飛機(jī)和衛(wèi)星上的有源微波成像系統(tǒng)，憑借其全天時(shí)、全天候的探測能力，在海面艦船檢測的應(yīng)用研究中體現(xiàn)出獨(dú)特的優(yōu)勢［１］。

傳統(tǒng)的ＳＡＲ 艦船目標(biāo)檢測方法如恒虛警率（Ｃｏｎｓｔａｎｔ Ｆａｌｓｅ Ａｌａｒｍ Ｒａｔｅ，ＣＦＡＲ）算法［２］，是根據(jù)海雜波統(tǒng)計(jì)特征來確定恒定的虛警概率閾值，并通過滑動窗口來檢測出背景窗口中相關(guān)的艦船目標(biāo)。該算法對于艦船特征的表達(dá)主要根據(jù)研究者的經(jīng)驗(yàn)得出，導(dǎo)致檢測算法的泛化能力很差，設(shè)計(jì)過程復(fù)雜且耗時(shí)。而基于深度學(xué)習(xí)的ＳＡＲ 圖像艦船檢測方法，憑借其能夠自動提取特征、檢測精度高以及泛化能力強(qiáng)的特點(diǎn)，逐漸取代傳統(tǒng)檢測方法?，F(xiàn)在常用的檢測方法大致分為２ 類：單階段檢測算法和雙階段檢測算法。雙階段檢測算法主要有Ｆａｓｔｅｒ Ｒ-ＣＮＮ［３］和Ｍａｓｋ Ｒ-ＣＮＮ［４］等。這些算法都需要先產(chǎn)生目標(biāo)候選框確定目標(biāo)位置，再對候選框進(jìn)行分類與回歸，檢測精度高但運(yùn)行速率緩慢。而單階段檢測算法主要為ＳＳＤ［５］和ＹＯＬＯ［６］系列，直接通過輸入圖像提取的特征來回歸目標(biāo)的位置信息，不需要產(chǎn)生額外的目標(biāo)候選框來提高檢測速率，但檢測精度卻不如雙階段檢測算法精確。因此，李永剛等［７］將可變形卷積融合到ＹＯＬＯｖ５ 中來解決ＳＡＲ 圖像近岸艦船目標(biāo)檢測率低的問題。Ｌｉ 等［８］利用解耦頭改進(jìn)ＹＯＬＯｖ４ 的檢測頭，將分類與定位分別預(yù)測出來，提高網(wǎng)絡(luò)收斂速度。Ｂａｉ 等［９］利用ＹＯＬＯ 框架設(shè)計(jì)特征增強(qiáng)的金字塔網(wǎng)絡(luò)，通過淺層特征重構(gòu)模塊和空間增強(qiáng)模塊，提升艦船小目標(biāo)的檢測精度。而這些改進(jìn)的模型都是以提高精度為目的，而放棄模型輕量化，導(dǎo)致它們并不能應(yīng)用到現(xiàn)實(shí)場景中。