基于渐近式特征融合的轻量化SAR舰船检测算法

摘要

针对合成孔径雷达（synthetic aperture radar, SAR）舰船检测中现有模型感受野受限、多尺度特征融合低效及计算复杂度高的问题，提出通道聚合特征金字塔网络（channel-aggregated feature pyramid network, CA-FPN）。在特征金字塔架构层面，构建跨层级动态加权特征融合机制，通过可学习通道注意力权重自适应校准多分辨率特征，克服传统渐近式特征金字塔（asymptotic feature pyramid network, AFPN）固定采样约束，显著提升多尺度目标表征能力；在特征提取单元设计上，提出并行多尺度空洞卷积模块（parallel multi-scale dilated convolution block, PDBlock）、集成通道注意力（squeeze-and-excitation, SE）与空洞卷积技术，通过特征通道聚合门控机制有效缓解多尺度特征融合过程中的语义冲突。SSDD和LS-SSDD标准数据集上试验评估表明：相较基准模型AFPN, CA-FPN在保持检测精度前提下，模型参数量由1.93×10～6降至1.17×10～6（降幅39%）,计算复杂度G_FLOPs从4.24降至3.19（降幅24%）,SSDD和LS-SSDD数据集上平均精度分别提升2.8%和3.5%,CA-FPN更适应SAR舰船目标检测任务。

关键词

合成孔径雷达 / 舰船检测 / 多尺度 / 跨层级特征融合 / 注意力机制 / 空洞卷积