增強感受野的輕量化合成孔徑雷達船舶檢測算法

王燕妮，孫雪松，余麗仙

（西安建筑科技大學信息與控制工程學院，西安710055）

0 引言

隨著人類對海洋資源的過度開采，海洋生態(tài)環(huán)境持續(xù)遭到破壞，世界各國紛紛采取措施應(yīng)對現(xiàn)狀。為保護近海生態(tài)環(huán)境，我國也開始實施對領(lǐng)海和近岸海域內(nèi)船舶進行監(jiān)測。但是在天氣、海浪等自然界不可控因素的影響下，派遣海警船等監(jiān)測手段非常耗費人力物力。合成孔徑雷達（Synthetic Aperture Radar，SAR）是一種全天時、全天候、多維度獲取信息的主動式微波成像雷達，為海洋上多尺度的船舶檢測提供了強有力的數(shù)據(jù)保障和技術(shù)支持，在遙感圖像船舶檢測領(lǐng)域占有重要地位［1-2］。

傳統(tǒng)的SAR 船舶檢測方法主要有基于變換域［3］，基于視覺顯著性［4］，恒虛警率方法［5］，模板匹配法［6］等方法，雖然這些方法在某些特定場景下能夠取得較好的效果，但這些方法都是采用手工設(shè)計的方法提取船舶特征，計算量大，泛化能力弱，并且手工特征提取也較為困難。

隨著人工智能技術(shù)的興起，深度學習技術(shù)以其更高的精度、更快的速度、更少的人為干預(yù)等優(yōu)勢幾乎占據(jù)了SAR 船舶檢測領(lǐng)域的主導地位。當前主流的目標檢測方法分為三類：一類是基于區(qū)域推薦的兩階段檢測方法，首先生成輸入圖像的建議框，然后對建議框進行分類和位置回歸操作，最終得到檢測結(jié)果。典型的兩階段檢測算法包括區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region Convolutional Neural Networks，RCNN）［7］和Faster-RCNN［8］等，此類方法在精度上有明顯提高，但是因其占用較多的計算資源，在實時性上有一定程度的降低。……