關鍵詞：合成孔徑雷達；艦船檢測；旋轉(zhuǎn)目標檢測；神經(jīng)網(wǎng)絡；特征融合

中圖分類號：ＴＰ７５１．１ 文獻標志碼：Ａ 犇犗犐：１０．１２３０５／ｊ．ｉｓｓｎ．１００１-５０６Ｘ．２０２４．１２．１３

０引言

合成孔徑雷達（ｓｙｎｔｈｅｔｉｃａｐｅｒｔｕｒｅｒａｄａｒ，ＳＡＲ）可以進行全天候、全天時遙感成像，并且可以對抗常見的遮擋偽裝措施，在海洋監(jiān)測、軍事作戰(zhàn)、農(nóng)業(yè)資源普查、自然災害監(jiān)測等方面有著廣泛的應用［１３］。在戰(zhàn)爭中遂行復雜情況下的反艦作戰(zhàn)行動是捍衛(wèi)國家主權和海洋利益的重要任務，在廣袤的海洋中搜索對方水面作戰(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 圖像進行艦船檢測成為一個重要的研究課題［４６］。

現(xiàn)有的ＳＡＲ 圖像艦船檢測技術主要有傳統(tǒng)的基于恒虛警率（ｃｏｎｓｔａｎｔｆａｌｓｅａｌａｒｍｒａｔｅ，ＣＦＡＲ）的檢測和基于深度學習的檢測。

ＣＦＡＲ 檢測方法是根據(jù)雷達回波數(shù)據(jù)的統(tǒng)計特征動態(tài)調(diào)整其檢測閾值，使得雷達虛警率保持恒定的方法，這一經(jīng)典方法亦廣泛應用于ＳＡＲ 圖像艦船目標檢測中。李燾［７］提出一種基于全局局部兩級超像素ＣＦＡＲ 的單極化ＳＡＲ圖像目標檢測算法，經(jīng)ＴｅｒｒａＳＡＲ-Ｘ 的實測數(shù)據(jù)驗證，該算法在保證檢測質(zhì)量的同時也提高了檢測效率。Ｌｉｕ等［８］提出一種基于Ｋ-Ｗｉｓｈａｒｔ分布的簡縮極化ＳＡＲ 艦船檢測方法，通過對分法獲得誤報率來設置ＣＦＡＲ 的閾值，實現(xiàn)了復雜海洋背景下的自適應艦船檢測。

傳統(tǒng)方法通過特征變換算法提高ＳＡＲ 圖像的信雜比以實現(xiàn)對特定場景的艦船目標檢測，通用性較差。深度學習方法在特征挖掘上有著得天獨厚的優(yōu)勢，因此這一方法逐漸成為ＳＡＲ 圖像艦船檢測的主流研究方向?；谏疃葘W習的艦船檢測方法主要有基于錨框和無錨框兩大類［９］。這兩類方法的本質(zhì)區(qū)別在于正負樣本分配以及回歸的方式：前者通過設置閾值將候選框分配為正負樣本，通過回歸得到中心點坐標和長寬的偏移量［１０］；后者通過特征圖上點是否落入標注框來確認正負樣本，通過回歸得到中心點到目標邊框的４ 個距離［１１］。在基于錨框的方法中：Ｃｈａｎｇ等［１２］通過簡化ＹＯＬＯ （ｙｏｕｏｎｌｙｌｏｏｋｏｎｃｅ）ｖ２ 模型結(jié)構(gòu)，在小幅度犧牲檢測精度的情況下，在ＳＡＲ 艦船檢測數(shù)據(jù)集（ＳＡＲｓｈｉｐｄｅｔｅｃｔｉｏｎｄａｔａｓｅｔ，ＳＳＤＤ）上的檢測速度達到原始ＹＯＬＯｖ２模型的２．５倍；Ｌｉ等［１３］通過Ｋｍｅａｎｓ對標注框的尺度進行聚類以選擇更合理的ａｎｃｈｏｒ，通過感興趣區(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)過改進，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（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］通過提出一種專用于ＳＡＲ 艦船檢測的殘差ＳＡＲ 網(wǎng)絡（ｒｅｓｉｄｕａｌＳＡＲｎｅｔｗｏｒｋ，ＲｅｓＳＡＲＮｅｔ）模型以改進全卷積單階段（ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｏｎｅ-ｓｔａｇｅ，ＦＣＯＳ）檢測算法，在ＳＳＤＤ 數(shù)據(jù)集上達到了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優(yōu)化ＦＣＯＳ 網(wǎng)絡中的位置回歸，并重新設計了目標分類和邊界框（ｂｏｕｎｄｉｎｇｂｏｘ，ＢＢ）回歸方法以降低模糊區(qū)域?qū)τ柧毜挠绊?；Ｙｕ等［１６］提出一種輕量化的實時監(jiān)測網(wǎng)絡，通過Ｆｏｃｕｓ模塊和ＡＳＩＲ 模塊，在不丟失信息的情況下，對ＳＡＲ圖像進行多次降采樣，使用最小的參數(shù)進行特征提取，并且設計了一種新的損失函數(shù)以進行訓練，在ＳＳＤＤ數(shù)據(jù)集上達到了每秒４２．５幀的檢測速度。

當下用于目標檢測的通用數(shù)據(jù)集多使用水平ＢＢ（ｈｏｒｉ-ｚｏｎＢＢ，ＨＢＢ）進行標注，但是由于艦船目標較為狹長，并且方向具有隨意性，港口密集系泊的艦船在使用ＨＢＢ 標注后有較大的重疊區(qū)域，因此使用ＨＢＢ進行標注對于艦船目標檢測并不適合。定向ＢＢ （ｏｒｉｅｎｔｅｄＢＢ，ＯＢＢ）更適合用于艦船目標的標注，而且可以獲得艦船的航向信息，可用于對目標艦船進行航跡預測。徐從安等［１７］開源使用ＯＢＢ標注的ＳＡＲ 圖像旋轉(zhuǎn)艦船檢測數(shù)據(jù)集（ｒｏｔａｔｅｄｓｈｉｐｄｅｔｅｃｔｉｏｎｄａｔａｓｅｔｉｎＳＡＲｉｍａｇｅｓ，ＲＳＤＤ-ＳＡＲ），該數(shù)據(jù)集由８４ 景高分３號數(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)表關于艦船目標檢測的文章。Ｚｈｏｕ等［１８］采用金字塔視覺轉(zhuǎn)換器（ｐｙｒａｍｉｄｖｉｓｉｏｎｔｒａｎｓｆｏｒｍｅｒ，ＰＶＴ）對ＳＡＲ 圖像進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)，在此基礎上還設計了一款多尺度特征融合模塊用于后續(xù)的小目標檢測。Ｚｈｏｕ等［１９］提出一種使用橢圓焦點向量來間接回歸ＯＢＢ旋轉(zhuǎn)角的算法，并將其運用于基于無錨框的ＹＯＬＯＸ 目標檢測算法中，在正負樣本分配中采用二維高斯分布進行初步篩選，進而使用Ｋｕｌｌｂａｃｋ-Ｌｅｉｂｌｅｒ散度（Ｋｕｌｌｂａｃｋ-Ｌｅｉｂｌｅｒｄｉｖｅｒｇｅｎｃｅ，ＫＬＤ）損失和簡化最優(yōu)運輸分配（ｓｉｍｐｌｉｆｉｅｄｏｐｔｉｍａｌｔｒａｎｓｐｏｒｔａｓｓｉｇｎｍｅｎｔ，ＳｉｍＯＴＡ）進一步細化分配結(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短邊中心作為形狀描述符，提出一種軟訓練樣本分配策略，用于改進無錨框的目標檢測算法，在本數(shù)據(jù)集上最終測試結(jié)果顯著高于其他方法。Ｚｈａｎｇ等［２１］提出一種基于目標散射特性的定向兩級檢測模塊，設計了一種基于關鍵散射點的區(qū)域建議網(wǎng)絡（ｒｅｇｉｏｎｐｒｏｐｏｓａｌｎｅｔｗｏｒｋ，ＲＰＮ），最終在ＲＳＤＤＳＡＲ 數(shù)據(jù)集上交并比為０．５時平均檢測精度達到了０．６９３４。

為了進一步提高旋轉(zhuǎn)場景下的ＳＡＲ 圖像艦船目標檢測精度，減少漏檢與誤檢，本文基于單次對齊網(wǎng)絡（ｓｉｎｇｌｅ-ｓｈｏｔａｌｉｇｎｍｅｎｔｎｅｔｗｏｒｋ，Ｓ２ＡＮｅｔ）［２２］目標檢測網(wǎng)絡進行改進。首先，將原殘差網(wǎng)絡（ｒｅｓｉｄｕａｌｎｅｗｏｒｋ，ＲｅｓＮｅｔ）５０［２３］骨干網(wǎng)絡替換為特征提取能力更強的Ｓｗｉｎ-Ｔｒａｎｓｆｏｒｍｅｒ［２４］骨干網(wǎng)絡，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，來傳遞底層的高分辨定位特征，從而提高艦船檢測框的定位精度。最后，針對旋轉(zhuǎn)艦船目標錨點與目標實際位置存在偏差的問題，采用Ｓ２ＡＮｅｔ網(wǎng)絡中的旋轉(zhuǎn)特征對齊網(wǎng)絡，根據(jù)艦船目標的大小、形狀與方向生成高質(zhì)量的旋轉(zhuǎn)錨點，從而實現(xiàn)自適應的特征對齊，對齊后的特征可以更加精準地表達艦船目標區(qū)域的特征，提高艦船目標檢測的準確率。

１全局特征融合檢測網(wǎng)絡

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

作者簡介

薛峰濤（１９８０—），男，研究員，碩士，主要研究方向為雷達探測、信息感知與處理技術及其工程實現(xiàn)。

孫天宇（１９９８—），男，助理工程師，碩士，主要研究方向為ＳＡＲ 圖像艦船檢測與識別。

楊益民（１９９８—），男，碩士研究生，主要研究方向為ＳＡＲ 圖像艦船檢測與識別。

楊?。ǎ保梗叮怠?，男，教授，博士，主要研究方向為極化理論、極化ＳＡＲ應用。