基于深度学习的SAR舰船检测方法研究.pdfVIP

摘要

合成孔径雷达（SyntheticApertureRadar，SAR）具有全天时、全天候的工作能

力，在气候多变的条件下仍能实现对海舰船监测任务。传统的SAR舰船检测方法

依赖人工设计特征，需要针对不同海杂波分布进行建模，检测精度受限。近年来，

基于深度学习的SAR舰船检测方法可自动学习目标特征，检测精度较高，泛化性

较强，吸引了许多研究者的关注。然而，现有的基于深度学习的SAR舰船检测方

法仍存在一些问题，如：（1）现有基于无锚框的方法因为缺乏先验信息，导致检测

精度受限；（2）现有方法常常使用卷积网络进行特征提取，难以建立长距离依赖关

系和提取全局信息，导致检测精度受限；（3）现有SAR舰船实例分割方法由于小

尺度舰船占多数、背景干扰复杂，导致实例分割精度受限。本文针对上述三个问题，

分别进行研究，具体内容如下：

（1）针对现有基于无锚框的方法因为缺乏先验信息，导致检测精度受限的问题，

提出了一种基于空间信息增强的无锚框SAR舰船检测方法。该方法设计了双路路

径增强金字塔、通过增加底层路径从而增强层级特征图中的空间信息，设计了基于

空间注意力的无锚框检测头通过提取重要空间信息、抑制干扰信息，从而指导边界

框预测。实验结果表明，所提方法具有有锚框检测方法FasterR-CNN相当的检测

精度。

（2）针对现有方法采用卷积网络提取特征时、只对局部邻域进行处理、感受野

受限、难以建立长距离依赖关系，导致检测精度受限的问题，提出了一种基于视觉

Transformer的高精度SAR舰船检测方法。该方法将视觉Transformer引入SAR舰

船检测领域，代替卷积网络进行特征提取，建立长距离依赖。该方法设计了高分辨

率Swin-T骨干网络（HRSwin-T），基于Transformer架构和最近邻插值得到高分辨

率、全局信息充分的层级特征图，设计了语义增强金字塔网络通过多条自上而下通

路、进一步增强层级特征图中的语义信息。实验结果表明，与多种利用卷积神经网

络提取特征的检测方法相比，所提方法具有较高的检测精度。

（3）针对现有SAR舰船实例分割方法由于小尺度舰船占多数、背景干扰复杂，

导致实例分割精度受限的问题，提出了一种基于级联网络的高质量SAR舰船实例

分割方法。该方法设计了增强特征金字塔用于得到高语义和高分辨率的层级特征

图，设计了增强多任务混合级联网络用于增强掩码分支的信息交互，提高实例分割

精度。实验结果表明，与多种实例分割方法相比，所提出的方法具有较高的实例分

割精度。

关键词：舰船检测，合成孔径雷达，无锚框检测，视觉Transformer，实例分割

ABSTRACT

SyntheticApertureRadar(SAR)iscapableofall-dayandall-weatheroperation,and

itcanmonitorshipsatseaevenunderthechangeableclimateconditions.TraditionalSAR

shipdetectionmethodsrelyonartificialdesignfeatures,whichrequiremodelingfor

differentseaclutterdistributions,andthedetectionaccuracyislimited.Inrecentyears,

SARshipdetectionmethodsbasedondeeplearningcanautomaticallylearntarget

featuresfrommassivedata,withhighdetectionaccuracyandstronggeneralization,

attractingtheattentionofmanyresearchers.However,existingSARshipdetection

methodsbasedondeeplearningstillhav