中文引用格式： 賀順，王雨竹，楊志偉. 復雜場景下SAR圖像多尺度艦船檢測算法[J]. 電子技術應用，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。在現實的SAR圖像成像過程中，港口、島嶼和建筑物等背景會出現在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上，首先用多尺度目標特征提取網絡（Multi-scale Feature Extration Netraction，MFE-Net）取代原骨干網絡，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）設計可形變特征融合網絡（Deformable Feature Fusion Network, DFF-Net），通過自適應調整卷積核的形狀來有效檢測復雜場景下不同尺度的艦船目標。
本文詳細內容請下載：
http://www.jysgc.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）
