基于ＹＯＬＯ 框架的輕量化ＳＡＲ 圖像艦船檢測方法研究

摘 要：針對現有的目標檢測算法對合成孔徑雷達（Ｓｙｎｔｈｅｔｉｃ Ａｐｅｒｔｕｒｅ Ｒａｄａｒ，ＳＡＲ） 圖像中的艦船目標檢測精度低、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。基于ＹＯＬＯ 框架，用Ｇｈｏｓｔ 模塊和高效通道注意力（Ｅｆｆｉｃｉｅｎｔ Ｃｈａｎｎｅｌ Ａｔｔｅｎｔｉｏｎ，ＥＣＡ） 機制來改進ＳｈｕｆｆｌｅＮｅｔＶ２ 網絡構建新的骨干網絡，以降低內存訪問成本，提高特征提取能力；將頸部網絡中的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降低模型參數量。實驗結果表明，在公開數據集ＳＳＤＤ 上，所提模型的平均精度達到９４． ８％ ，參數量為３． １０ Ｍ，模型權重大小為６． ４ ＭＢ，滿足ＳＡＲ 圖像艦船實時檢測的需求。

關鍵詞：合成孔徑雷達；艦船檢測；輕量化網絡；ＹＯＬＯ；特征增強

中圖分類號：ＴＮ７５１ 文獻標志碼：Ａ

文章編號：１００３－３１０６（２０２４）１０－２３４７－０８

０ 引言

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

傳統的ＳＡＲ 艦船目標檢測方法如恒虛警率（Ｃｏｎｓｔａｎｔ Ｆａｌｓｅ Ａｌａｒｍ Ｒａｔｅ，ＣＦＡＲ）算法［２］，是根據海雜波統計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的艦船目標。該算法對于艦船特征的表達主要根據研究者的經驗得出，導致檢測算法的泛化能力很差，設計過程復雜且耗時。而基于深度學習的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的特點，逐漸取代傳統檢測方法。現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生目標候選框確定目標位置，再對候選框進行分類與回歸，檢測精度高但運行速率緩慢。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的位置信息，不需要產生額外的目標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 圖像近岸艦船目標檢測率低的問題。Ｌｉ 等［８］利用解耦頭改進ＹＯＬＯｖ４ 的檢測頭，將分類與定位分別預測出來，提高網絡收斂速度。Ｂａｉ 等［９］利用ＹＯＬＯ 框架設計特征增強的金字塔網絡，通過淺層特征重構模塊和空間增強模塊，提升艦船小目標的檢測精度。而這些改進的模型都是以提高精度為目的，而放棄模型輕量化，導致它們并不能應用到現實場景中。