《Journal of Marine Science and Engineering》:Synergistic Cross-Level Multimodal Representation of Radar Echoes for Maritime Target Detection
Junfang Wang,
Yunhua Wang,
Jianbo Cui and
Yanmin Zhang
编辑推荐:
为提升对弱雷达散射截面(RCS)弱小目标的检测能力,研究人员探索了一种集成的跨层级多模态雷达回波融合框架。该研究通过多普勒频谱、相位序列与格拉米角场(GAF)编码图像的异质网络处理,结合自注意力机制进行特征融合,在复杂海况下实现了更高的检测性能,为克服海杂波干扰、提升海洋监视与预警能力提供了新思路。
在广袤的海洋上,雷达是探测船只、执行搜救和军事预警的“千里眼”。然而,这项“看”的技术正面临一个棘手的难题:如何从汹涌波涛的背景杂波中,精准地识别出那些雷达反射信号极其微弱、移动缓慢的弱小目标,比如小艇、浮标或采用了隐身技术的舰船。海杂波——雷达波束从海面反射回来的信号——就像一个巨大的噪声场,其特性复杂多变,具有非高斯、非平稳、非均匀的特点,常常将弱小目标那本就微弱的“呼救信号”淹没其中。传统的检测方法,无论是依赖统计模型,还是基于人工设计特征(如分形维数、相对多普勒峰值高度等),在复杂动态的海洋环境下往往力不从心,要么计算量大,要么对多变的海况适应性差。随着深度学习技术的发展,利用神经网络自动从雷达回波数据中挖掘特征进行检测成为新的希望。但现有的研究大多聚焦于融合雷达回波的直接物理层面信息(如幅度、多普勒谱、时频图像),而忽略了信号在时间演化过程中蕴含的非线性结构特征。不同抽象层级的模态信息融合仍有待深入探索。为了解决这个难题,一项发表于《Journal of Marine Science and Engineering》的研究提出了一种名为“协同跨层级多模态雷达回波表征用于海上目标检测”的创新框架,旨在整合不同表征层级的特征,实现更鲁棒、更精准的弱小目标检测。
为了回答上述问题,研究人员开展了一项系统性研究。他们利用公开的IPIX雷达数据集,从原始复数回波信号中提取了三种具有明确物理含义的一维模态:多普勒频谱序列、相位序列和幅度序列。其中,幅度序列通过格拉米角场(GAF)技术被编码成二维结构化图像(GASF和GADF),用以捕捉信号的抽象时序演化模式。研究团队构建了一个名为“多普勒-相位-GAF网络”的异构模型架构,其中Transformer网络用于处理一维序列(多普勒谱和相位),捕捉长程依赖关系;而ResNet18网络则用于处理二维GAF图像,提取空间纹理特征。最后,模型引入自注意力机制,自适应地融合来自这三个异构分支的特征,最终实现对目标有无的分类判断。
2.2. 多模态雷达回波数据的提取与分析
研究表明,直接从雷达复数信号提取的多普勒谱、相位和幅度序列,以及由幅度序列经GAF转换生成的GASF/GADF图像,能从不同侧面揭示海杂波与目标信号的差异。例如,目标的多普勒谱能量相对集中,而海杂波的谱更宽;目标的GAF图像在特定方向上能展现出更强的相关性模式,这为神经网络区分两者提供了基础。
4.1. 各分支模态与网络模型的匹配性验证
实验验证了所设计异构分支网络的有效性。具体而言,一维的Transformer网络在处理多普勒谱和相位序列时,其检测性能优于使用卷积神经网络处理;而二维的ResNet18在处理GAF图像时,其性能也优于使用Transformer处理。这证明了针对不同结构特征的模态,采用专用网络架构是合理且必要的。
4.2. 跨层级多模态融合的性能增益验证
通过对比单模态、双模态及三模态融合的结果,研究发现跨层级的三模态融合(多普勒谱+相位+GAF)能获得最佳的整体检测性能。尤其是在信杂比(SCR)较低(如-1.5 dB)的极端困难情况下,三模态融合相较于最佳单模态(相位),在HH极化下的检测概率提升了约13.5%,在VV极化下提升了约9.5%。这证明了整合直接物理属性(多普勒谱、相位)与抽象时序演化特征(GAF)能带来显著的性能增益。
4.3. 不同模态组合的性能对比
进一步分析不同模态组合的效果发现,包含GAF图像的组合普遍优于仅包含直接物理模态的组合。例如,“相位+GAF”的组合在多数情况下优于“多普勒谱+相位”的组合。这凸显了GAF所表征的抽象时序结构特征在复杂海况下具有重要价值,能提供与直接物理特征互补的信息。
4.4. 与现有检测方法的对比分析
将提出的跨层级融合方法与多种现有先进方法(如基于特征与凸包算法的方法SF(BiLSTM)-Based,以及多种深度学习单模态或多模态方法)在IPIX数据集上进行对比。结果表明,本文方法在多项评价指标上(如检测概率、ROC曲线下面积AUC)均取得了最优或极具竞争力的结果,特别是在SCR较低、海况复杂的场景下,表现出了更强的鲁棒性和泛化能力。
结论与展望
本工作成功探索并验证了一个协同跨层级多模态雷达回波表征框架。其核心贡献在于,将反映目标运动特性的直接物理层级信息(多普勒谱、相位)与揭示信号能量动态演化的抽象表征层级信息(GAF图像)进行了深度融合。通过设计异构分支网络(Transformer + ResNet18)和自适应融合机制,模型能够充分利用不同类型、不同层级模态数据的优势。在IPIX数据集上的大量实验证实,该框架在多种复杂海况和低信杂比条件下,均能实现可靠且高性能的海上弱小目标检测,为解决实际应用中强海杂波背景下的目标探测难题提供了一种有效的新思路。未来的工作可以探索引入更高效的网络架构、将框架扩展到更多模态(如极化信息),以及在实际雷达系统中进行在线验证。