复杂海洋环境下的SAR舰船检测

《Computers》:SAR Ship Detection in Complex Marine Environments

【字体: 大 中 小 】 时间:2026年07月13日 来源:Computers 5.2

编辑推荐:

  合成孔径雷达(SAR)舰船检测对海事监视至关重要;然而,由于严重的海杂波和沿岸干扰,在复杂海洋环境中准确识别目标仍然是一个持续挑战。为解决普遍存在的漏检和虚警问题,研究人员提出了一种名为AFN-YOLO(Adaptive Frequency Network–Y

  
合成孔径雷达(SAR)舰船检测对海事监视至关重要;然而,由于严重的海杂波和沿岸干扰,在复杂海洋环境中准确识别目标仍然是一个持续挑战。为解决普遍存在的漏检和虚警问题,研究人员提出了一种名为AFN-YOLO(Adaptive Frequency Network–You Only Look Once)的新型深度学习框架。具体而言,研究人员提出了C2f_FF(C2f Frequency Fusion)模块,该模块动态提取并融合频域和空域信息,有效抑制背景干扰及附近建筑物造成的伪影。此外,研究人员集成了一种基于三重注意力(Triplet Attention)的TAS-FPN(Triplet Attention-based Spatial FPN)架构,以捕获多尺度特征,显著提升了小尺寸及重叠舰船目标的检测能力。同时,损失函数经过优化,迫使模型聚焦于显著目标特征,同时忽略无关背景信息。在SAR舰船检测数据集(SSDD)和高分辨率SAR图像数据集(HRSID)上进行的大量实验验证了所提方法的有效性。
### 论文解读:AFN-YOLO——融合自适应频域特征的SAR舰船检测网络

#### 研究背景与问题

合成孔径雷达(SAR)凭借其全天候、不受天气和光照限制的成像能力,已成为海上监视中舰船检测不可或缺的工具。然而,在复杂海洋环境下,SAR舰船检测面临严峻挑战:海面后向散射(即海杂波)往往掩埋舰船目标信号,导致漏检;近岸环境中建筑物、港口设施等与舰船目标对比度低,易引发虚警。现有深度学习方法主要依赖空间域特征(如形状、纹理、散射强度分布),忽略了频域中蕴含的互补信息(如不同频率成分的能量分布与响应特性)。虽有少数工作尝试融合频域信息,但采用静态频率过滤(如固定频带抑制),无法根据输入图像的谱特性动态调整,导致海杂波与近岸干扰抑制不足。此外,频域与空间域特征常被独立提取后简单拼接,缺乏对两者内在关系的建模,限制了检测性能。因此,亟需一种能自适应提取频域特征并与空间域深度融合的检测框架。

#### 研究内容与意义

研究人员提出AFN-YOLO(Adaptive Frequency Network–You Only Look Once),一种新型单阶段SAR舰船检测网络。其核心创新包括:C2f_FF模块(C2f Frequency Fusion),通过可学习权重张量对傅里叶变换后的频谱进行逐元素调制,实现实例级的自适应频率增强与抑制;TAS-FPN(Triplet Attention-based Spatial FPN),利用三重注意力(Triplet Attention)实现跨通道、行、列的交互,增强多尺度舰船目标判别力;以及优化损失函数,结合Focal Loss、GIoU Loss和离散特征学习损失(DFL Loss),提升分类与回归精度。在两个公开数据集SSDD(1160张图像,来自RadarSat-2、TerraSAR-X、Sentinel-1)和HRSID(5604张图像,来自Sentinel-1和TerraSAR-X,分辨率0.5~3 m)上的实验表明,AFN-YOLO在精度、召回率和平均精度(mAP@50)上均显著优于YOLOv5、YOLOv7、YOLOv8、Faster R-CNN和FCOS等主流方法,尤其在强杂波近岸场景中漏检率和虚警率大幅降低。该工作为SAR舰船检测的频域-空域融合提供了新思路,具有向实用海事监视系统发展的潜力。论文发表在《Computers》。

#### 主要关键技术方法

1. **C2f_FF模块**:对输入特征图进行快速傅里叶变换(FFT)得到复数频谱,乘以可学习权重张量(初始化为全1),再经逆傅里叶变换(IFT)回到空间域,实现频域自适应滤波;权重在训练中与检测目标联合优化,梯度与损失梯度及当前频谱幅值相关,自然引导抑制杂波频率、增强目标频率。
2. **C2R模块**:采用多梯度流分支,通过并行的残差变换路径提取互补的空域特征(边缘、纹理、强度),融合后经1×1卷积输出。
3. **TAS-FPN**:在特征金字塔网络(FPN)基础上,每个金字塔层级嵌入三重注意力模块,同时建模通道、高度、宽度三个维度的相互作用,增强多尺度特征判别性;并引入SPPF模块避免过拟合。
4. **损失函数**:分类采用Focal Loss缓解正负样本不平衡;回归采用GIoU Loss处理重叠小目标,以及DFL Loss(离散特征学习)区分邻近目标。

#### 研究结果

**(1)与其他方法对比**
在SSDD上,AFN-YOLO的精度(Precision)达97.69%,召回率(Recall)达97.35%,mAP@50达98.75%,较YOLOv8基线分别提升2.65、6.15、2.70个百分点,召回率提升尤为显著,表明有效降低漏检。在HRSID上,精度91.11%,召回83.32%,mAP@50 91.65%,较Faster R-CNN、FCOS、YOLOv5、YOLOv7分别提升13.67、13.70、8.31、8.01个百分点。可视化对比显示,YOLOv8在近岸场景易将建筑物误检为舰船,而AFN-YOLO能准确区分。

**(2)消融实验**
从YOLOv8n基线开始逐步加入各模块:①加入C2f_FF后,mAP@50:95提升5.13个百分点,表明频域融合提升了定位质量;②再加入C2R,各项指标继续稳定提升;③加入TAS-FPN(不含三重注意力),mAP@50提升0.43个百分点,证实多尺度融合有效性;④嵌入三重注意力(TA),mAP@50再提升0.25个百分点,表明跨维度交互抑制背景干扰;⑤应用优化损失函数,mAP@50再提升0.19个百分点。完整模型较基线在mAP@50:95上提升8.82个百分点,证明各组件均有正向贡献。

**(3)Grad-CAM可视化**
基线YOLOv8n的注意力热图分散于舰船和背景(码头、建筑);随模块逐步引入,热图逐渐聚焦于舰船位置。完整AFN-YOLO的热图高响应区域精准覆盖目标,背景激活被有效抑制,与定量提升一致。

**(4)误差分析**
- 近岸场景:YOLOv8将建筑边缘误检为舰船,漏检低对比度靠泊舰船;C2f_FF利用舰船锐利边缘(高频)与建筑平滑屋顶(低频)的频谱差异,准确抑制岸基干扰。
- 密集小目标场景:YOLOv8漏检<20×20像素的小船,且将邻近目标合并;TAS-FPN的顶层金字塔融合浅层高分辨率特征,DFL Loss改善紧邻目标框回归,AFN-YOLO独立检出全部9艘小船。
- 海杂波场景:舰船与亮斑杂波灰度重叠;C2f_FF自适应衰减宽带高频杂波、增强目标集中频带,使检测置信度显著高于YOLOv8。

**(5)效率实验**
AFN-YOLO参数量从3.01 M增至3.39 M,模型大小从6.2 MB增至7.0 MB,推理速度从66.9 FPS降至54.3 FPS(降幅约18.8%),精度提升主要源自频域融合与注意力机制,而非简单增加参数。

#### 讨论与结论

AFN-YOLO通过可学习频域权重实现了输入自适应的频率增强,弥补了传统方法静态过滤的不足;TAS-FPN通过三重注意力弥补了标准FPN仅独立处理通道/空间的缺陷。在SSDD和HRSID上的大量实验证明了其高精度与鲁棒性。然而,该模型仅在RadarSat-2、TerraSAR-X、Sentinel-1数据上验证,跨传感器泛化性需进一步评估。未来方向包括:在多源SAR数据集上评估并引入域自适应;通过知识蒸馏、模型剪枝或替代谱变换(DCT、小波变换)降低计算开销;扩展至定向边界框检测以适应密集靠泊场景;利用多时相SAR图像的时间一致性抑制瞬态杂波虚警;并进一步探索模型压缩、视觉注意力机制、散斑建模、密度感知检测及后处理优化,提升在极端海况等复杂场景中的实用性与鲁棒性。

**研究结论部分翻译**:本文介绍了一种单阶段SAR舰船检测模型AFN-YOLO,该模型有效融合了从空域提取的语义特征和从频域提取的纹理与细节特征。研究人员设计了TAS-FPN,利用自上而下的金字塔结构捕获舰船目标的多尺度特征,实现了SAR舰船目标的多尺度检测。该方法在SSDD和HRSID上均展现了优越性,尤其在海杂波和复杂近岸背景等复杂海洋环境中表现出鲁棒性。尽管存在局限性,如当前评估仅基于有限传感器数据,但AFN-YOLO为SAR舰船检测的频域-空域融合提供了有效范式,具有向实用海事监视发展的潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号