基于深度分離卷積神經網絡的高速高精度SAR艦船檢測

張曉玲 張天文 師 君 韋順軍

(電子科技大學信息與通信工程學院 成都 611731)

1 引言

SAR是一種主動式的微波成像傳感器，具有全天時、全天候的工作能力，對氣候變幻無常的海洋進行監測具有良好的適應性[1]。其中，海洋上的艦船是一種需要重點監測的高價值對象，對其有效的檢測有利于海洋交通管制、漁業管理、油污泄漏監察、戰事部署等[2]。

傳統的SAR艦船檢測有恒虛警率(Constant False Alarm Rate,CFAR)方法[3-5]，該類方法根據預先建立的雜波統計模型來確定檢測閾值，但這些模型容易受到洋流、氣候等影響，存在應用場景受限的缺點，并且求解復雜的模型方程十分耗時，影響其檢測速度。模版匹配[6-10]是另外一種常見的傳統方法，此類方法通過人工設計多種模版，一種模板對應一種特征(艦船的長度、寬度、周長、面積、輪廓、紋理等)，在實際檢測時，用這些模版在圖像上進行滑動搜索，從而獲得檢測結果。但該類方法建立全面的模板庫耗費大量人力，并且常常依賴于專家經驗，具有較差的泛化能力。特別地，在大場景的SAR圖像中進行窗口滑動也耗費較長時間，對實時性帶來一定的挑戰。

近些年來，隨著人工智能的興起，由于深度學習無需人工耗時耗力進行特征設計便能實現有效的目標檢測，因此越來越多的學者將計算機視覺領域的目標檢測器引入到SAR領域中。特別地，深度學習的方法不受場景限制，無需海陸分離，只要給定標注好的數據集，便能夠自發有效地學習艦船特征，具有高效性、高準確性等優點。

對于SAR圖像中的艦船檢測，自從海軍航空大學提出了國內第一個公開的SAR艦船檢測數據集(SAR Ship Detection Dataset,SSDD)以來[11]，基于深度學習的SAR艦船檢測發展日益迅速。文獻[12]將候選區域提取的二值化賦范梯度方法(BInarized Normed Gradients,BING)[13]和快速區域卷積神經網絡(Faster Region-Convolutional Neural Network,Fast R-CNN)[14]結合，采用級聯CNN的形式檢測精度達到了73.5%。文獻[15]優化Faster R-CNN[16]來進行艦船檢測，結合特征融合、遷移學習等方式在SSDD數據集上實現了78.8%的檢測精度。文獻[17]將單點多框檢測器(Single Shot multi-box Detector,SSD)[18]應用到SAR艦船檢測中，提出了基于上下文信息的遷移學習模型實現了87.1%的檢測精度。文獻[19]針對SAR圖像中復雜的艦船背景提出了一種改進的“你只需看一遍”版本3 (You Only Look Once version 3,YOLOv3)[20]算法，并結合特征金字塔[21]結構，實現了多尺度的艦船檢測，尤其對小尺寸艦船檢測性能更佳，精度提高了6%，但是速度卻從原始的27 ms降至32 ms。遺憾的是，以上文獻中的檢測模型都比較大，網絡參數較多，在提高精測精度的同時往往犧牲了檢測速度。因此，對于實時性要求高的SAR應用場合，存在一定的局限性，例如緊急軍事部署、迅速海難救援、實時海洋環境監測等。

因此，為解決上述缺陷，本文提出一種基于深度分離卷積神經網絡(Depthwise Separable Convolution Neural Network,DS-CNN)[22]的高速高精度SAR艦船檢測方法SARShipNet-20，該方法取代傳統卷積神經網絡(Traditional Convolution Neural Network,T-CNN)，并結合通道注意力機制(Channel Attention,CA)[23,24]和空間注意力機制(Spatial Attention,SA)[23]，能夠同時實現高速和高精度的SAR艦船檢測。該方法在實時性SAR應用領域具有一定的現實意義，并且其輕量級的模型有助于未來的FPGA或DSP的硬件移植。

相比于先前研究成果[2]，本文創新點如下：

(1)本文中的網絡結構是全新的，和文獻[2]中結構完全不同，并命名為SARShipNet-20，這里的20指有20個卷積層。該網絡結構更加精簡，層數更少，并且為前向流水線結構，無復雜多余的正向反饋或負向反饋支路。特別地，SARShipNet-20模型為23.17 MB，而文獻[2]中網絡模型為38.05 MB，網絡輕了約40%；

(2)SARShipNet-20中全部采用DS-CNN，而文獻[2]中的方法為了避免較大的精度損失，采用DS-CNN和T-CNN相混合的機制；

(3)本文額外加入通道注意力(CA)和空間注意力(SA)機制，使檢測精度得到了改善，而文獻[2]沒有采用注意力機制。

2 CNN

2.1 T-CNN

卷積神經網絡具有類似于人眼的感受野[25]，能夠更全面地觀測目標信息，因此在目標檢測領域得到了廣泛地應用。不同于BP神經網絡，卷積神經網絡采用參數共享機制，能夠實現更深網絡的訓練，從而達到深度學習的目的。特別地，自從AlexNet[26]網絡在目標檢測領域被成功應用，越來越多的學者開始使用卷積神經網絡來實現目標檢測任務。近年來，眾多利用卷積神經網絡的目標檢測器已經被提出，例如Faster R-CNN,YOLO,SSD等，并且已經被眾多學者成功地應用到SAR艦船檢測領域。為便于闡述所提方法，本文稱以上最初提出的卷積神經網絡為傳統卷積神經網絡(T-CNN)。

圖1(a)為T-CNN的結構圖，其中I1,I2,I3代表輸入，K1,K2,K3代表卷積核，O1,O2,O3代表輸出。在T-CNN中，每個卷積核需要對輸入的所有通道進行卷積，卷積運算的過程融合了通道相關性和空間相關性。

T-CNN的計算量為

其中，L為輸入圖像的尺寸，k為卷積核的尺寸，Nkernel為卷積核數目，Ninput為輸入通道數目。

2.2 DS-CNN

圖1(b)為DS-CNN的結構圖，其中I1,I2,I3代表輸入，K1,K2,K3和代表卷積核，J1,J2,J3代表中間層輸出，O1,O2,O3代表輸出。DS-CNN由深度卷積(Depthwise Convolution,D-Conv)和點狀卷積(Pointwise Convolution,P-Conv)組成。其中，D-Conv只卷積輸入的一個通道，相比T-CNN能夠大幅減少網絡的參數量；P-Conv進行傳統的卷積運算，但它的卷積核的尺寸為1×1，相比大尺寸的卷積核，也具有較少的參數量。DS-CNN能夠成功解耦通道相關性和空間相關性[2,27]，能夠在不損失精度的條件下，大幅減少計算量，從而提高檢測速度，這主要由于T-CNN存在一定的網絡冗余[2,27]。

DS-CNN的計算量為

式(2)和式(1)的比值為

其中，Nkernel＞＞ 1,k＞ 1。

因此，ratio ＜1，這從理論上證明了DS-CNN確實比T-CNN具有更少的計算量，這對提高艦船的檢測速度具有促進作用。

3 網絡結構

3.1 網絡結構圖

當前SAR艦船檢測研究中大多采用計算機視覺領域現有的網絡結構進行改進，這存在一定的缺陷。一方面，計算機視覺領域所提出的眾多目標檢測都針對光學圖像，若直接應用在SAR圖像中存在數據源不平衡的問題；另一方面，計算機視覺領域中的目標檢測器都針對多種類別的目標，而SAR圖像艦船檢測只需檢測艦船這一類目標，那么這些模型必然存在較大的冗余度。因此，不同于現有的其他研究，本文在借鑒YOLO[20,28,29]網絡的基礎上，從0開始構建了一個全新的網絡結構，為便于敘述，本文將網絡結構命名為SARShipNet-20，這里的20指有20個卷積層。

圖2為SARShipNet-20示意圖。圖2中，數字80,40,20,10,5代表不同層的特征圖(feature maps)的尺寸，且所有的卷積層均采用DS-CNN。如圖2所示，網絡中均采用3×3的卷積核，這可減少網絡參數量。由于網絡越深，特征圖的尺寸越小，可能導致丟失較多的艦船特征，因此網絡后端的層數被設置逐漸增加。另外，為了能夠檢測不同尺寸的檢測，網絡中設置了3種不同的檢測尺度，分別位于特征圖尺寸為20的輸出，特征圖尺寸為10的輸出，特征圖尺寸為5的輸出。計算機視覺領域中的目標檢測器大多幾十層甚至上百層，而本網絡只有20層，結構清晰簡單，更適合于SAR圖像中艦船檢測這種簡單的任務，能夠大幅降低網絡的冗余度。

每個卷積層的內部詳細操作流程如圖3所示。

為了使網絡訓練更充分，網絡中每個卷積層后均進行批量歸一化(Batch Normalization,BN)[30]操作，該操作將卷積層中的參數值歸一化到[0,1]的高斯分布，有助于避免訓練過程中的梯度消失，其定義為

其中，X為輸入向量，Y為輸出向量，m()為求均值，參數ξ和η為超參數，這兩個超參數無需手工設置，而是在訓練過程中通過自動學習獲得，ε為接近于0的常數，以避免分母為0的情況發生。

圖1 傳統卷積神經網絡和深度分離卷積神經網絡示意圖Fig.1 Diagrammatic sketch of T-CNN and DS-CNN

圖2 網絡結構示意圖 (SARShipNet-20)Fig.2 Network structure (SARShipNet-20)

圖3 卷積層內部操作流程Fig.3 Internal operation flow in convolution layers

為了加快激活速度，網絡中的激活函數選擇為ReLU，其定義為

3.2 損失函數

SARShipNet-20無需產生候選區域，因此是一個單階段目標檢測器，其訓練的損失函數可借鑒YOLOv3。實現SAR艦船檢測任務就是獲得艦船的以下參數：

(1)艦船檢測框的坐上頂點的坐標(x,y)；

(2)艦船檢測框的寬度和高度(w,h)；

(3)艦船檢測框的置信得分。

因此，訓練SARShipNet-20的損失函數由以上3部分組成。

檢測框的坐標損失函數為

其中，xi和yi為第i個真實框的坐標，為第j個網格的第i個檢測框的坐標(網格劃分機制詳見YOLOv3[20])；當網格中包含艦船或者艦船的一部分時否則;λc為坐標損失的權重系數，B為生成的檢測框的數目，S為劃分的網格數目。

檢測框的寬度和高度損失函數為

其中，wi和hi為第i個真實框的寬度和高度，和為第j個網格的第i個檢測框的寬度和高度；λw,h為寬度和高度損失函數的權重系數。

檢測框的置信得分損失函數為

IoU為預測框和真實框的交并比，定義為

其中，BP為預測框，BG為真實框，即IoU為預測框和真實框區域交集和并集的面積比值。

3.3 通道注意力機制

SARShipNet-20采用DS-CNN來搭建網絡模型，可能存在檢測精度的損失。因此，為了提高檢測精度，本文在此基礎上增加了通道注意力機制模型(CA),CA加在圖2黑色虛線框中的每兩層之間。

網絡中的通道數目本質就是卷積核的個數，在網絡中，并不是每個卷積核都起到關鍵的作用，有些甚至會對檢測產生負面的影響。因此，CA可以關注到有效的通道和抑制無效的通道，從而能夠提高網絡中信息流動的效率[23]。

圖4為通道注意力機制的示意圖，通道注意力機制加在每一個卷積層的輸出端。輸入的特征圖維度為N×H×W，其中N為通道數，H為高，W為寬，該通道注意力機制實現為

其中，F為輸入特征圖，MLP為多層感知機，GAP為全局平均池化，GMP為全局最大池化，sg為激活函數，定義為

在注意力機制處理后得到一個維度為N×1×1的向量Fc

其中，αi,i=1,2,···,N代表第N個通道的重要等級。最后該向量點乘輸入得到最終的輸出，能夠有效關注到有效的通道。

通道注意力機制的詳細原理可參考文獻[23]。

3.4 空間注意力機制

SARShipNet-20中還增加了空間注意力機制(SA)來進一步提高檢測精度，SA加在圖2黑色虛線框中的每兩層之間。在一幅SAR圖像中，在空間上存在不同價值的信息，例如對于?？坑诟劭诘呐灤?，艦船是重點關注的對象，而港口設備不是關注的對象，空間注意力機制能夠有效地關注到艦船而抑制圖像中其他不重要的信息，從而提高檢測精度。

圖5為空間注意力機制的示意圖，空間注意力機制加在通道注意力機制的輸出端。輸入的為被通道注意力機制處理后的特征圖，該空間注意力機制實現為

其中，F′為輸入特征圖，該特征圖為通道注意力機制的輸出；f7×7為7×7的卷積。

在注意力機制處理后得到一個維度為1×H×W的矩陣Fs

其中，βi,j,i=1,2,···,H;j=1,2,···,W代表空間中(i,j)坐標位置信息的重要等級。最后該矩陣點乘輸入得到最終的輸出，能夠有效地關注到有效的空間信息。

空間注意力機制的詳細原理可參考文獻[23]。

4 實驗驗證

本文基于Keras[31]編寫程序，以Tensorflow[32]為程序后端，在Pycharm軟件平臺上進行。實驗硬件配置的CPU為Intel(R)i9-9900K,GPU為NVIDIA RTX2080Ti，內存為32 G，使用CUDA10.0和CUDNN7.6調用GPU進行訓練加速。本實驗中，設置IoU等于0.5為檢測閾值，即當檢測框和真實框的重疊區域超過50%，才認為該檢測框檢測正確。

圖4 通道注意力機制Fig.4 Channel Attention (CA)

圖5 空間注意力機制Fig.5 Spatial Attention (SA)

4.1 實驗數據

本文方法在國內公開的SSDD數據集上進行驗證，SSDD數據集中包含1160張SAR圖像，共有2358只艦船，平均每張圖像中有2.03只艦船，最小的艦船為7×7像素，最大的艦船為211×298像素。該數據集已被海軍航空大學李健偉等學者[11,12,15]正確標注，另外，數據集中的SAR圖像具有多種極化模型、多種分辨率、多種艦船場景，能夠有效驗證艦船檢測器的魯棒性，已被眾多學者使用[1,2,11,12,15,17,19]。

SSDD數據集可在以下鏈接下載獲?。篽ttps://pan.baidu.com/s/1vnTakmVkTuaVECCOL5EyA；提取碼：uduc。

4.2 訓練策略

SSDD數據集按照7:2:1的比例被隨機劃分為訓練集、驗證集和測試集。Adam優化器被用來進行網絡參數迭代更新，并且訓練2000個epoch，本文采用Poly[33]機制來動態調整學習率，定義為

其中，lr為學習率，lr0為初始學習率，本文中設置為0.001，max_epoch為最大的迭代次數即2000，current_epoch為當前的迭代次數，power為超參數，本文中設置為0.9。

訓練過程中，Tensorboard[32]被用來監測訓練信息，并且只有當前迭代得到的模型性能優于前一次迭代的模型時，才被保留，最后當完成2000輪訓練，得到最優的檢測模型。

4.3 評價指標

本文提供兩種類型的評價指標，一種為傳統的評價指標，例如檢測概率Pd，漏檢概率Pm和虛警概率Pf；另一種為深度學習中的評價指標，例如召回率Recall，精度Precision，平均精度mAP。

檢測概率Pd定義為

其中，TP(True Positives)為正確的艦船檢測數目，GT(Ground Truth)為真實的艦船數目。

漏檢概率Pm，定義為

其中，FN(False Negatives)為漏檢的艦船數目。

虛警概率Pf，定義為

其中，FP(False Positives)為虛警的艦船數目。

召回率(Recall)，定義為

其中，本質上，Recall=Pd。

精度(Precision)，定義為

其中，本質上，Precision=1-Pf。

平均精度(mean Average Precision,mAP)，定義為

其中，P為精度，R為召回率，P(R)為精度和召回率曲線。

4.4 實驗結果

圖6為SARShipNet-20在SSDD數據集上部分樣本的艦船檢測結果，圖6中白色框為真實的艦船，綠色框為檢測的艦船，紅色為漏檢和虛警情況。從圖6中可看出，多種背景下的多種尺寸的艦船均能夠被成功地檢測。為驗證SARShipNet-20的泛化能力，本文在SSDD測試集上進行評估。表1為測試集上檢測結果的定量評價指標。從表1中DS-CNN+CA+SA可知，SSDD測試集中有184只真實的艦船，180只艦船被成功地檢測，檢測率為97.83%，4只艦船被漏檢，漏檢率為2.17%，另外產生了8只虛警，虛警率為4.26%，深度學習領域中精度的評價指標mAP為96.93%。從以上檢測結果表明SARShipNet-20具有高的檢測精度，充分表明SARShipNet-20具有良好的泛化能力和強壯的魯棒性(SSDD數據集外的SAR圖像的泛化測試將在未來進行詳細實驗和分析討論，這里不再詳細展開，這不影響本文結論)。另外，完成一幅SAR圖像的檢測時間為8.72 ms，因此完成整個測試集中116張SAR圖像的檢測僅需要約0.1 s，這表明SARShipNet-20具有快的檢測速度。另外，SARShipNet-20在CPU上的速度為16.79 ms/每張SAR圖像，因此完成整個測試集中116張SAR圖像的檢測僅需要約1.95 s，也能基本滿足實時性的應用需求。值得關注的，在SSDD數據集中，一些具有嚴重相干斑噪聲的艦船樣本也能被成功地檢測，精度達到95%以上，這表明SARShipNet-20具有一定程度的抗斑點噪聲性能(一般地，與傳統方法相比，基于深度學習的SAR艦船方法大多具有較強的抗斑點噪聲性能)，該項工作可查閱筆者先前研究成果[2]，本文不再詳細展開分析和討論。另外，由于缺少嵌入式設備，FPGA/DSP等移植工作未在本文體現，但可作為未來的研究工作。

圖7為SARShipNet-20的性能評價曲線。圖7(a)為Pd-Pf曲線，圖7(b)為P-R(精度-召回率)曲線，圖7(c)為mAP-IoU曲線。

4.5 實驗分析

由表1可知，盡管DS-CNN比T-CNN的檢測精度低3.24%，但是檢測速度快了約2倍；通道注意(CA)和空間注意(SA)機制可以改善精度，同時對速度受到輕微的負面影響，但仍快于T-CNN；最終DS-CNN同時結合CA和SA可以獲得最高的檢測精度96.93% mAP，并且還略微高于T-CNN的96.88%mAP，這表明CA和SA對精度確實起到了提升作用。

4.6 方法對比

表2為SARShipNet-20與其他目標檢測器的對比結果。表2中的各種方法均經過超參數的調節和優化直至檢測精度基本飽和(鑒于筆者精力有限，可能還有提升的余地)，否則直接將計算機視覺領域的目標檢測器直接使用，均導致不理想的檢測性能。從表2中可以發現，SARShipNet-20的檢測精度高于其他的所有方法，并且檢測速度也高于其他所有的方法。一方面，RetinaNet的精度為95.68%mAP，接近SARShipNet-20的精度96.93% mAP，但是速度為314.43 ms/每張SAR圖像，遠慢于SARShipNet-20的速度8.72 ms/每張SAR圖像；另外一方面，YOLOv2-tiny的檢測速度為9.43 ms/每張SAR圖像，但是它的檢測精度僅為44.40% mAP遠低于SARShipNet-20的精度。因此SARShipNet-20實現了真正地高速高精度的SAR艦船檢測。

圖6 SARShipNet-20的SAR艦船檢測結果Fig.6 SAR ship detection results of SARShipNet-20

表1 SARShipNet-20的SAR艦船檢測結果評價指標Tab.1 Evaluation index of SAR ship detection results of SARShipNet-20

圖7 SARShipNet-20性能評價曲線Fig.7 Performance evaluation curve of SARShipNet-20

表3為SARShipNet-20與其他目標檢測器的模型比較。從表3中可以發現，SARShipNet-20的網絡參數、浮點運算量和模型都是最少的，這是其能夠實現高速檢測的本質原因。SARShipNet-20的模型僅有23.17 MB，如此輕量級的模型可便于未來的FPGA或DSP移植。

SARShipNet-20能夠用更少參數和更輕的模型實現更高的檢測精度和更快的檢測速度，核心原因主要如下：

(1)通道注意力機制和空間注意力機制可以有效提高檢測精度；

(2)與計算機視覺領域中的多類別檢測任務相比，SAR圖像中的艦船檢測更加簡單，只包含背景和艦船的二分類任務；

(3)與光學圖像中的艦船相比(RGB圖)，SAR圖像中的艦船具有相對簡單的背景(灰度圖)，并且特征相對單一，因此無需復雜的網絡模型去實現；

(4)如果將計算機視覺領域中的模型直接應用到SAR艦船檢測領域，由于其網絡規模巨大，但是SSDD數據集中圖像數量過少，可能會過擬合，導致檢測精度變差；但SARShipNet-20模型小，可以避免該問題的出現；

(5)在訓練過程中，更輕的模型可以得到充分訓練，網絡中的所有參數迭代更新的速度較快，可使網絡得到充分的擬合。另外，SARShipNet-20無需在ImageNet[36]數據集上進行預訓練，也能取得良好的檢測性能，根本原因就是參數量少。

4.7 方法說明

根據文獻調研發現，表2中不同方法在SSDD數據集上的艦船檢測精度(mAP)大多高于現有的其它公開文獻報道，出現此種現象的可能原因如下：

(1)測試集隨機劃分的差異：海軍航空大學李健偉等學者[11]提供給筆者的SSDD數據集并未明確規定具體的訓練集、驗證集和測試集，僅提供7:2:1的劃分比例。盡管本文采用隨機劃分獲得測試集(類似于Matlab/Python中的random函數，非人為隨機)，但SSDD數據集僅有1160張SAR圖像，并且遠離海岸場景的簡單樣本占據多數，靠岸和密集排列場景的困難樣本占據少數，因此從中獲得116張測試樣本(1160×10%)，存在較大的隨機性。若測試集中遠離海岸的艦船樣本占據多數，根據文獻[37]報道檢測精度已高達95%以上。因此，李健偉等學者目前已意識到該問題可能會導致學術研究上的對比不嚴謹，因此其已聯合武漢大學對SSDD數據集進行更加嚴格的使用規定，并在將來提供更加公正的方法基準(baseline)。筆者感謝并期待李健偉等學者未來的研究成果。另外，增加SSDD數據集中SAR圖像的數量可減弱這種由于隨機劃分帶來的結果偏差，畢竟SSDD數據集中僅有1160張SAR圖像，這遠遠小于計算機視覺中約17 k的Pascal VOC數據集，328 k的COCO數據集，30 w的ImageNet數據集。

表2 不同方法的檢測性能對比Tab.2 Comparison of detection performance of different methods

表3 不同方法的模型對比Tab.3 Model comparison of different methods

(2)方法框架的差異。目前深度學習領域中具有眾多不同的框架，例如Caffe,Theano,MXNet,PaddlePaddle,Keras,Tensorflow,PyTorch等。同種方法在不同框架上的實現存在一定的區別，導致結果的差異。因此，最公正合理的比較應該在同一種框架上執行，但是由于不同學者對不同框架的理解度和熟悉度不盡相同，給實際操作帶來一定的困難。

(3)方法超參數優化的差異。目前深度學習領域中的目標檢測器均針對光學圖像，因此引入到SAR圖像領域中，若直接使用在大多數情況下效果較差，因此需要進行超參數的調節，并且不同方法的超參數類型和數量存在較大的差異，不同學者設置的超參數也不盡相同，導致得出的方法結論也不盡相同。

(4)訓練策略的差異。針對同一種方法，采用不同的訓練策略會帶來不同的實驗結果，目前，如何使網絡得到最充分的訓練和最理想的優化，仍然是一個具有挑戰性的問題。

(5)數據增強的差異。SSDD數據集中的SAR圖像數量較少，可能會使計算機視覺中的目標檢測器學習不充分，目前部分學者對訓練數據進行增強，而不同的數據增強方式也可能給實驗結果帶來差異。

(6)編程語言的差異。例如Caffe廣泛采用的是C/C++,PyTorch廣泛采用的是Python，這兩種不同的語言盡管在實現方法的流程上是相同的，但存在執行效率的區別，可能會帶來結果的差異。并且不同學者的軟件程序的優化也存在一定的差異，帶來執行速度的不同。

本文中的各種方法盡管大多高于現有的其他報道，但都是基于相同的測試集得到的，因此不影響本文的結論。若采用更復雜測試樣本，那么所有方法的檢測精度必然同時降低，甚至低于90%，但各方法之間差異的整體規律應該是基本保持恒定的。需要說明的是，表2中各種指標僅供驗證本文所提方法的有效性，考慮到本文得到的實驗結果的合理性受限(盡管測試樣本是隨機獲取的，但由于SSDD數據集樣本量少并且簡單樣本所占比例較大，導致測試集中背景簡單艦船樣本所占比例較高，而靠岸和密集分布的小尺寸困難艦船樣本所占比例較低)，因此不作為未來的研究基準。目前，李健偉等學者正聯合武漢大學將對SSDD數據集提供嚴謹的使用規范和公正嚴謹的研究基準。

目前SSDD數據集更公正的基準還未公布，但幸運的是，2019年12月16日，中國科學院空天信息創新研究院、中國科學院大學和中國科學院網絡信息體系技術科技創新重點實驗室在《雷達學報》公開了一個全新的高分辨率SAR艦船檢測數據集AIR-SARShip-1.0[38](可在《雷達學報》官網的數據子欄目下載)，該數據集該包含31景高分三號SAR圖像，場景類型包含港口、島礁、不同級別海況的海面等，背景涵蓋近岸和遠海等多樣場景，數據集更加貼近實際應用[38]；并且提供了公正的指標基準，不僅囊括深度學習的方法基準，還包含了傳統不同類型CFAR的方法基準，這也將方便其他學者在此數據集基礎上進一步展開SAR艦船檢測相關研究。因此，筆者未來也將增加基于AIR-SARShip-1.0數據集的SAR艦船檢測研究。

5 結論

本文基于深度分離卷積神經網絡提出了一種高速高精度的S A R圖像中艦船檢測方法，即SARShipNet-20。其具有更少的參數數量、浮點計算量和更輕的檢測模型。本方法結合通道注意力機制和空間注意力機制能夠實現高速高精度的SAR艦船檢測。與9種先進的目標檢測器的性能比較結果，表明了本文所提方法的正確性和有效性，在實時性SAR應用領域具有一定的現實意義，并且其輕量級的模型有助于未來的FPGA或DSP的硬件移植。