摘要
合成孔径雷达（SyntheticApertureRadar，SAR）因其全天候性而成为船舶检测的重要组成部分。船舶监测对于沿海交通控制和领土安全至关重要。船舶检测要求高精度，但检测速度也是在海上救援和军事战略等需要迅速决策的情境中的重要参数。然而，SAR图像目标检测面临多重挑战。首先，由于SAR图像的成像机制，图像中存在大量的相干斑噪声，严重影响目标的识别和检测。其次，SAR图像的分辨率和成像角度的变化导致目标在图像中的尺寸、形状和亮度可能发生显著变化，增加了目标检测的难度。此外，复杂的地表覆盖和背景杂波（如云、阴影、反光等）也可能干扰目标的检测。同时，SAR图像的解读和分析需要专业的知识和技能，对操作人员的要求较高。为了应对这些挑战并提高SAR图像目标检测的准确性和效率，研究人员已开展了大量工作。他们提出了多种目标检测方法和算法，包括基于统计模型、特征提取、机器学习和深度学习等。尽管这些方法在不同应用场景下取得一定效果，但仍然面临诸多问题和挑战待解决。目前，大多数快速目标检测网络在处理大规模数据时能够实现令人印象深刻的速度，然而，随着对目标检测精度要求的提高，这些网络在精度方面逐渐显露出不足。在现实应用中，尤其是在海上救援、边境巡逻和军事情景中，迅速而准确地识别目标对于做出明智的决策至关重要。因此，如何在保持快速检测速度的同时提高目标检测的精度成为一个急迫需要解决的关键问题。当前的挑战之一是，快速目标检测网络通常通过减少模型复杂性、降低输入分辨率或采用轻量级设计等手段来提高速度。然而，这些优化策略在一定程度上牺牲了对目标特征的准确提取，导致在面对复杂场景、小目标或目标遮挡等情况时，精度下降的问题变得尤为显著。为了解决以上问题，本文的主要工作内容如下： (1)首先，鉴于SAR图像目标检测对检测速度的迫切要求，我们决定采用轻量级的网络。GridR-CNN是一种基于网格点引导的目标检测方法，它将图像分割为网格，并利用全卷积网络（FCN）预测网格点位置，通过网格点特征融合机制整合不同网格点的特征信息，提高了检测的准确性和鲁棒性。该网络架构参数较小，推理速度较快，因此我们将其应用于SAR图像目标检测中。 (2)其次，鉴于SAR图像与光学图像在成像原理、数据分布和特征表现上存在显著差异，如SAR图像具有噪声干扰、光学图像中常见的纹理特征在SAR图像中不明显等，因此，为了更有效地提取SAR图像的特征，我们重新设计和优化了适合其特性的注意力机制。这样的设计旨在充分挖掘图像中的有用信息，以提高图像处理的效果和准确性。本文通过实验选取了一种最适合于SAR图像特征提取的空间注意力机制的设计方案，并使用该空间注意力机制对网络进行了改进。同时，我们还设计了消融实验以验证此项改动的有效性。 (3)第三，分别设计了定量和定性实验，将我们改进后的网络与其他网络进行了对比。结果显示，与其他算法相比，我们提出的算法在AP50∶75,AP50,AP75和APS方面均表现出色，并且在小目标的检测准确性方面更为突出。尤其是对于小目标，实现了72.1%的APS。并且通过定性实验发现，所提出的网络能够有效减少误报。此外，我们还注意到，所提出的网络能够检测到其他网络可能遗漏的一些小目标，进一步证明了其优越性。并且我们还讲所提出的网络应用在了LS-SSDDv1.0-OPEN数据集以验证我们所提出网络的迁移能力，可以看到所提出的网络能够检测到大部分船只，表明其良好的迁移能力。 (4)最后，在已经通过空间注意力机制对网络进行了改进且取得较高精度的前提下，我们进一步使用了RepVGG推理加速机制对网络进行了优化。在未使用RepVGG推理加速机制的情况下，我们的网络在SAR图像目标检测中达到了20fps的检测速度。而经过使用RepVGG推理加速机制优化后，我们的网络在SAR图像目标检测中的检测速度提升至27fps。这表明我们的改进方案是有效的，成功地提高了SAR图像目标检测的速度。这种速度的提升对于需要快速决策的任务，如海上救援和军事战略等，具有重要意义。 综上，在本研究中，我们提出了一种基于网格点引导定位机制的网络，并通过引入适用于SAR图像的空间注意力机制对其进行改进，从而提升了SAR图像目标检测的准确性。随后，我们采用了RepVGG推理加速机制对网络进行进一步优化，在保持原有较高精度的同时，提高了SAR图像目标检测的速度。
NETL