【最新成果】高精度高速SAR舰船检测初探

自从2016年计算机机器人“阿法狗”（AlohaGo）大胜围棋天才柯洁，深度学习走进大众视野，以迅雷不及掩耳之势，颠覆了传统人类认知，以高效率超人类的学习能力已完全超越传统各种算法的性能，合成孔径雷达SAR领域也不例外。

利用深度学习技术实现SAR舰船检测 （图1），能够有效避免传统的复杂特征设计，并且检测精度获得了极大的改善。由于深度学习无需人工耗时耗力进行特征设计便能实现有效的目标检测，因此越来越多的学者将计算机视觉领域的目标检测器引入到SAR领域中。特别地，深度学习的方法不受场景限制，无需海陆分离，只要给定标注好的数据集，便能够自发有效地学习舰船特征，具有高效性、高准确性等优点。

图1 SAR图像中的舰船

对于SAR图像中的舰船检测，自从海军航空大学提出了国内第一个公开的SAR舰船检测数据集（SAR Ship Detection Dataset，SSDD）以来，基于深度学习的SAR舰船检测发展日益迅速。国内对此研究热度日益攀升，如中科院、上海交大、武汉大学、电子科大等，然而现有的检测模型都比较大，网络参数较多，在提高精测精度的同时往往牺牲了检测速度。因此，对于实时性要求高的SAR应用场合，存在一定的局限性，例如紧急军事部署、迅速海难救援、实时海洋环境监测等。

针对该问题，电子科技大学雷达探测与成像技术团队张晓玲教授课题组基于深度分离网络和注意机制构建一个新型的轻量级网络SARShipNet-20，为实现高精度高速的SAR舰船检测提供研究思路。

该工作已发表在《雷达学报》2019年第6期“合成孔径雷达技术”专刊“基于深度分离卷积神经网络的高速高精度SAR舰船检测”（张晓玲，张天文，师君，韦顺军）。

该文中的SARShipNet-20（图2）是一个全新的从头开始创建的网络，利用深度分离卷积实现网络的轻量性，并且利用空间注意力和通道注意力机制实现了保证了良好的检测精度。

图2 SARShipNet-20

该文并阐述了实现更高的检测精度和更快的检测速度的核心原因，并指出如果将计算机视觉领域中的模型直接应用到SAR舰船检测领域，由于其网络规模巨大，但是SSDD数据集中图像数量过少，可能会过拟合，导致检测精度变差。另外，本文还指出，在训练过程中，更轻的模型可以得到充分训练，网络中的所有参数迭代更新的速度较快，可使网络得到充分的拟合。

了解详细内容请点击下面阅读原文。