《Digital Signal Processing》：FRCL-SARNet: A Lightweight SAR Ship Detection Network Based on Feature Refinement and Dual Cross Level Fusion
编辑推荐：
SAR图像中提出FRCL-SARNet轻量级检测网络，通过LFREBackbone减少参数并保持精度，DCLFPN融合浅层细节与深层语义，GEAM增强目标响应抑制背景干扰，在HRSID等数据集上mAP@50达91.7%，参数1.3M，模型3MB，较YOLOv8n减少60%参数和49%模型大小，适合边缘设备部署。
王艳娟|李志斌|王天漠|胡宇欣|白昭燕|丁格格|耿雄飞
大连交通大学铁路智能工程学院，中国辽宁省大连市116028
摘要
为了解决小型船舶目标、近岸强杂波以及在终端设备上部署复杂算法的难题，我们提出了FRCL-SARNet这一高效且轻量级的检测网络。首先，基于MobileNetV3设计了一个轻量级的主干网络LFREBackbone，并通过跨通道局部连接机制进行了增强，这不仅加强了局部特征建模，还有效减少了参数和计算成本。其次，构建了一个双级特征金字塔网络（DCLFPN），该网络引入了高分辨率的P2特征，并实现了多层跨级融合，从而实现了浅层细粒度和深层语义特征之间的高效交互，显著提高了在复杂背景下的小型目标检测能力。此外，还引入了群组增强注意力机制（GEAM），结合了群组通道建模和局部上下文感知，以产生更强的目标响应，抑制背景干扰，并保持模型效率。在三个SAR数据集（HRSID、SSDD和MSAR）上的广泛实验表明，FRCL-SARNet在1.3M参数和3MB模型大小的情况下，在HRSID数据集上的mAP@50达到了91.7%。与YOLOv8n相比，FRCL-SARNet的参数减少了60%，模型大小减少了49%。与BESW-YOLO相比，它具有更小的模型尺寸、更快的推理速度和相当的准确率。这些优势使得FRCL-SARNet在准确性、效率和可部署性之间取得了良好的平衡，特别适合在资源受限的设备上进行实时部署，适用于海上安全监控和紧急搜救应用。
引言
合成孔径雷达（SAR）是一种基于微波主动成像原理的高分辨率雷达系统[1]。通过利用平台运动来合成长孔径，它能够对目标区域进行细粒度成像。与光学传感器不同，SAR可以在夜间和恶劣天气条件下（如雾霾或降雨）可靠地捕获目标信息，确保观测的连续性和可靠性。凭借全天候能力、昼夜运行[2]、高分辨率和强穿透力等优势，SAR已广泛应用于海上监视和边境控制等关键任务，成为海上安全和应急响应的重要技术。近年来，SAR目标检测已成为遥感、人工智能和国防安全交叉领域的重要研究焦点[3]。
然而，SAR图像受到成像机制引起的斑点噪声的影响，在海面和港口等复杂背景中经常出现强杂波干扰，这降低了目标与背景的对比度并模糊了边缘特征。此外，SAR图像中的船舶通常规模较小、形状多样[4]且分布密集，进一步增加了目标定位和识别的难度。在实际应用中，边缘设备的有限计算和存储资源对检测模型的轻量化设计提出了更高要求。这些问题已成为限制SAR目标检测技术发展的主要瓶颈。
传统的SAR目标检测方法主要依赖于恒虚警率（CFAR）算法[5]、[6]、[7]，该算法基于对局部背景的建模来估计杂波特性并设置检测阈值。然而，CFAR方法对背景建模的准确性非常敏感，在复杂海况或不均匀背景下检测性能容易受到影响。此外，这些方法通常假设背景噪声遵循特定的统计分布，而实际SAR图像中的杂波往往偏离这些假设。在处理具有大尺度变化、密集分布或弱信号的目标时，CFAR的性能受到限制，且常常导致较高的计算成本和虚警率，难以同时满足高准确性和高效性的要求。随着SAR系统分辨率和重访频率的不断提高，获取的图像体积和复杂性也在增加，这对图像解释算法的自动化和智能化提出了更高要求。传统检测方法已无法满足SAR目标检测系统的实际需求，迫切需要开发结合高准确性和轻量化设计的SAR检测算法。
近年来，基于深度学习的目标检测方法发展迅速。与传统算法不同，深度学习模型（尤其是卷积神经网络）可以从数据中自动学习有用特征，更好地区分目标与背景，同时减少对先验模型的依赖。在SAR图像中，由于目标较小且背景复杂，深度学习方法在检测准确性和稳定性方面通常优于传统分类器（如SVM[8]和MLP[9]），因此逐渐成为SAR目标检测的关键技术。流行的神经网络模型，包括YOLO[10]、SSD[11]、Transformer[12]和RetinaNet[13]，显著提高了检测速度和准确性。然而，这些模型大多是为自然场景图像设计的，其复杂的结构、大量的参数和较高的计算成本使得它们难以直接部署在边缘设备或低功耗平台上。因此，实际的SAR目标监测任务需要高效且轻量级的检测网络。经典的轻量级网络包括YOLOv3-Tiny[14]、YOLOv7-Tiny[15]、YOLOv8n[16]，以及MobileNet[17]、ShuffleNet[18]和GhostNet[19]等轻量级主干网络。尽管这些方法在一般图像检测任务中具有明显优势，但它们无法直接应用于目标较小、背景杂波强且特征对比度低的复杂SAR目标检测场景。
为了在准确性和速度之间取得良好的平衡，选择了YOLOv8n作为基线模型，并根据SAR图像的特点对其结构进行了进一步优化，从而得到了高效且轻量级的FRCL-SARNet网络。首先，基于MobileNetV3设计了一个轻量级的特征表示增强主干网络（LFREBackbone），该网络在保持检测准确性的同时显著减少了参数大小和计算成本，为整个网络提供了速度和精度的坚实基础，并提高了在边缘设备上的部署适应性。其次，为了解决传统特征金字塔中的问题（如语义信息减弱和小型目标检测中的跨级融合不足），提出了一个双级特征金字塔网络（DCLFPN）。通过融合高分辨率的浅层特征和深层语义特征，DCLFPN有效增强了小型目标的检测能力。此外，为了在多尺度和复杂背景条件下改善特征表示，引入了一种新颖的群组增强注意力机制（GEAM）。通过结合群组通道注意力和空间注意力模块，GEAM在目标区域增强了特征响应，同时抑制了背景干扰，提高了目标焦点，而不会增加计算成本。最后，在三个公共SAR数据集（HRSID、SSDD和MSAR）上进行了实验。结果表明，所提出的FRCL-SARNet模型有效解决了SAR图像中的小型目标和复杂背景干扰等问题，与最新的检测模型相比，实现了更高的检测准确率，同时显著减少了模型大小和参数。
本研究的主要贡献可以总结如下：
1.提出了一种新型的轻量级高精度检测框架FRCL-SARNet，它在检测准确性和计算效率之间取得了良好的平衡，适用于资源受限的边缘设备部署；
2.设计了一个轻量级的特征表示增强主干网络（LFREBackbone），在保持检测准确性的同时降低了计算复杂性；
3.为了解决SAR图像中密集小型目标和大规模变化带来的挑战，构建了一个双级特征金字塔网络（DCLFPN），有效整合了浅层空间细节和深层语义信息；
4.开发了一种群组增强注意力机制（GEAM），用于抑制背景干扰并增强对目标区域的关注，从而提高了检测准确性，确保了基于边缘设备的SAR图像处理的实时适用性。
部分摘录
SAR图像中的特征表示学习
为了提高SAR图像中船舶目标检测的准确性和鲁棒性，近年来在特征表示和融合策略方面进行了大量研究，特别是在多尺度语义建模和特征对齐方面。Fu等人[20]提出了特征平衡和细化网络（FBRNet），该网络采用无锚点方法和特征细化技术来提高多尺度检测的准确性和鲁棒性。Liu等人[21]引入了一种自适应
FRCL-SARNet
所提出的FRCL-SARNet模型的整体架构如图1所示，包括五个主要组成部分：输入、主干网络（LFREBackbone）、特征融合模块（DCLFPN）、检测头和输出。输入为640×640的固定大小SAR图像，作为后续特征提取的基础。主干网络负责提取分层语义特征，而特征融合模块进一步整合了多尺度信息
数据集
为了推进SAR图像目标检测领域的发展，近年来提出了几个具有代表性的数据集。这些数据集涵盖了多种场景、目标类别和成像条件，为算法训练和评估提供了丰富多样的样本，从而极大地推动了该领域的研究进展。本研究使用了三个主要的实验数据集，具体描述如下。
SSDD [39]数据集包含总共1,160张图像，其中包含2,456
结论
在这项工作中，我们提出了FRCL-SARNet，这是一种轻量级的SAR目标检测算法，旨在解决SAR图像中的独特挑战，如密集分布的小型目标和近岸杂波干扰。该网络整合了关键组件以提高SAR图像中的检测效率：LFREBackbone在保持对SAR检测至关重要的细粒度目标表示的同时减少了计算开销。DCLFPN通过有效结合
CRediT作者贡献声明
王艳娟：撰写——审稿与编辑、调查、概念化。李志斌：撰写——原始草案、方法论、数据管理。王天漠：撰写——审稿与编辑、可视化、调查。胡宇欣：撰写——审稿与编辑、监督。白昭燕：撰写——审稿与编辑、监督。丁格格：项目管理、资金获取。耿雄飞：项目管理、资金获取。
利益冲突声明
作者声明没有利益冲突。
作者声明没有已知的利益冲突或个人关系可能影响本文所述的工作。
