《Ocean Engineering》:Multi-source domain generalization SAR ship detection via gated disentanglement and open-set sea clutter modeling
编辑推荐:
•提出了 GDOS 用于多源域泛化 SAR 船只检测。•门控解耦将船只语义与成像干扰分离。•开集海杂波建模抑制类船误报。•不确定性加权一致性提高了跨域预测稳定性。•GDOS 在低模型复杂度且无目标数据的情况下实现了更好的精度。引言动态海洋环境中可靠的靶标感知对于海上自主系统的
- •
提出了 GDOS 用于多源域泛化 SAR 船只检测。
- •
门控解耦将船只语义与成像干扰分离。
- •
开集海杂波建模抑制类船误报。
- •
不确定性加权一致性提高了跨域预测稳定性。
- •
GDOS 在低模型复杂度且无目标数据的情况下实现了更好的精度。
引言
动态海洋环境中可靠的靶标感知对于海上自主系统的安全运行、环境理解和决策至关重要(Zheng 等,2025,Song 等,2026)。随着无人水面艇、海洋监测平台、智能航运系统和海上应急检查设备的快速发展,这些系统必须在复杂多变的海洋场景中持续感知周围目标。作为海上交通、监管、港口管理和海洋安全中的关键对象,船只对于自动检测具有重要意义(Wang 等,2024b,Z. Zhou 等,2024)。准确稳定的船只检测可以支持海上交通监测、非法船只识别和风险预警,同时为路径规划、避障和任务执行提供可靠的环境信息。合成孔径雷达(SAR)提供全天、全天候、远距离主动成像,能够在雨、雾、霾和夜间等挑战条件下实现海面目标观测。因此,它已被广泛用于海上船只监测(Xue 等,2026,Zhu 等,2025,Ai 等,2021)。与光学遥感相比,SAR 受光照和天气影响较小,更适合在动态海洋环境中进行连续观测。随着深度学习的发展(Huang 等,2026,Zhou 等,2026,Sun 等,2026,Wu 等,2026),基于卷积神经网络和两阶段检测器的 SAR 船只检测方法在公共数据集上取得了令人鼓舞的结果(Zhu 等,2026,Chen 等,2021)。然而,大多数现有方法假设训练和测试分布相似。当应用于未见海域、未知传感器或复杂海况时,其检测性能往往会显著下降。
这个问题主要是由 SAR 船只图像的跨域差异引起的。来自不同来源的 SAR 数据可能在传感器参数、分辨率、入射角、极化模式、海况、散斑噪声和背景复杂度上存在差异。因此,同一类别的船只可能会在不同场景下表现出不同的成像特性(Dong 等,2024,Zheng 等,2023)。海面和近岸背景也具有高度不确定性。港口设施、岛屿、海岸线、波浪引起的亮点和强散射点在 SAR 图像中可能与船只相似。这些类船响应容易导致高置信度误报。因此,在单一数据集或有限源域上训练的检测器往往无法处理真实海洋环境中未知的分布偏移。为了解决这个问题,域泛化受到了越来越多的关注(Feng 等,2024,Wang 等,2022)。与域适应不同,它仅使用源域数据训练模型,并直接在未见目标域上进行测试,而不使用目标域图像或标签。这种设置更适合海上自主感知,其中目标海况和背景分布通常无法提前获知且难以标注。对于 SAR 船只检测,多源域泛化可以利用来自不同传感器、海域和场景的互补数据,从而提高在未见动态海洋环境中的鲁棒性。
然而,动态海洋条件下 SAR 船只检测的多源域泛化仍面临几个挑战:
(1) 不同的 SAR 源域表现出明显的成像差异。船只语义特征通常与成像干扰耦合,如海况、噪声、背景和传感器特性。在训练过程中,模型可能会学习源特定的虚假相关性,从而削弱其在未见场景中的泛化能力。
(2) 复杂的海洋背景包含许多开集海杂波干扰。港口建筑、海岸线、岛屿和强散射点不是真正的船只,但它们可能在 SAR 图像中表现出类船的亮响应。传统的船只/背景分类设置无法充分描述这些高风险干扰,容易导致误报。
(3) 检测预测可能在跨域干扰下变得不稳定。不可靠样本,如小船只、边界模糊的目标和高危杂波区域,可能会干扰一致性学习。对所有样本应用相同的一致性约束可能会放大错误的预测并降低训练稳定性。
为了解决这些挑战,我们提出了一种基于门控解耦和开集海杂波建模的 SAR 船只检测多源域泛化方法。与主要依赖图像级增强、特征级对齐或分布扩展的现有域泛化方法不同,GDOS 是专门为动态海洋环境中 SAR 船只检测的特点设计的。该方法基于带有 FPN 的 Faster R-CNN,并在 RoI 级实例特征阶段改进检测器。一个轻量级门控解耦模块将稳定的船只语义特征与成像干扰特征分离,减少了源特定噪声、海况和背景变化的影响。一种辅助开集海杂波建模策略进一步将高危杂波作为额外的 RoI 类别引入。它挖掘高置信度的背景建议,以更好地区分真实船只、类船杂波和普通背景。最后,一种不确定性加权的跨域一致性机制通过重新组合成像干扰特征构建扰动样本,并利用分类熵和杂波概率调整一致性约束,从而提高在未见海洋场景中的检测稳定性。这些设计共同将 GDOS 与现有的域泛化方法区分开来,并突出了其在抑制杂波引起的误报的同时提高未见域鲁棒性的能力。主要贡献如下:
- 1.
为了解决多个 SAR 源域之间成像差异导致的船只语义与环境干扰耦合问题,我们提出了一种轻量级语义门控解耦模块。它在 RoI 实例级别自适应地将船只语义特征与成像干扰特征分离,减少了检测器对源特定成像噪声和背景干扰的依赖。
- 2.
为了减少未见海洋场景中开集海杂波引起的误报,我们提出了一种辅助开集海杂波建模策略。它明确地将容易被误认为船只的高危杂波作为辅助类别,提高了真实船只、类船杂波和普通背景之间的区分度。
- 3.
为了解决跨域干扰下的预测不稳定性和一致性学习中不可靠样本的干扰问题,我们提出了一种不确定性加权的跨域一致性机制。它通过重新组合成像干扰特征构建扰动的跨域表示,并利用分类熵和杂波概率动态调整一致性约束。这提高了在未见 SAR 场景中的预测鲁棒性。
章节片段
SAR 船只检测
合成孔径雷达(SAR)是一种具有全天、全天候和远距离观测能力的主动微波成像传感器。它能够在雨、雾、霾和夜间等挑战条件下连续捕获海面目标信息(Taloor 等,2025,Xu 等,2026,Huang 等,2025)。因此,SAR 船只检测对于海上交通监管、港口监测、海洋权益维护、非法船只识别以及
问题定义与总体框架
为了在未见的海洋场景中提高跨域泛化能力,我们提出了一种基于门控解耦和开集海杂波建模的 SAR 船只检测多源域泛化方法。该方法针对多源域泛化设置。在训练期间,它仅使用来自多个已知 SAR 源域的标记数据。在测试期间,它直接应用于未见目标域,而不访问任何目标域图像或标签。现有的域
实验
为了验证所提方法在多源域泛化 SAR 船只检测中的有效性,在几个公开的 SAR 船只检测数据集上进行了实验。具体来说,选择了四个代表性数据集,包括 SSDD、AIRSAR、HRSID 和 SARShip,以构建多源实验场景。这些数据集在传感器类型、成像分辨率和场景复杂度上存在显著差异。因此,它们可以有效地模拟由数据分布偏移引起的
结论
在这项工作中,我们提出了 GDOS,一种针对未见海洋环境的 SAR 船只检测多源域泛化方法。GDOS 通过 RoI 级语义 - 干扰解耦、开集海杂波建模和不确定性加权一致性学习提高了跨域鲁棒性。在多个未见目标域上的实验表明,GDOS 在没有使用目标域数据的情况下优于竞争方法。消融研究和视觉比较进一步证实了
CRediT 作者贡献声明
朱亚南:写作 – 初稿,方法论。艾家秋:监督,资金获取。孙新宇:形式分析,数据管理。王承波:监督,资金获取。
竞争利益声明
作者声明,他们没有已知的竞争性财务利益或个人关系可能影响本论文中报告的工作。
致谢
本工作得到了 国家自然科学基金 的资助(资助号 62471171, 62071164 和 52501442),部分得到了 合肥重点共性技术研发项目 的资助(资助号 2024SZD004),部分得到了 中央高校基本科研业务费 的资助(资助号 PA2025IISL0111),以及部分得到了 安徽省自然科学基金 的资助(资助号 2508085qF217)。
朱亚南 | 艾家秋 | 孙新宇 | 王承波