侯笑晗，金国栋，谭力宁，薛远亮

（火箭军工程大学核工程学院，西安 710025）

0 引言

随着我国海军战斗力的不断增强，确保海防安全、维护海洋利益成为建设海洋强国的重中之重。海上舰船检测是海域侦察和海洋管控中一项重要任务，合成孔径雷达（Synthetic Aperture Radar，SAR）因其具有全天时全天候且成像范围广的成像特点而被广泛应用于海洋舰船检测［1-5］。如何从SAR 图像中提取舰船目标信息、实现海域实时监测，在军民两个领域都具有重要的现实意义。

近年来，基于卷积神经网络（Convolutional Neural Network，CNN）的检测算法与遥感目标检测领域高度融合［6-9］。由于SAR 舰船目标本身具有分布稀疏、尺寸较小等特性，在图像中表现为多个亮斑，在提取特征信息易丢失重要特征信息，而细节信息对边缘模糊的SAR 舰船目标尤为重要，因此SAR 舰船目标检测对算法提出了更高的要求，是一个具有挑战性的课题。基于深度学习的SAR 目标检测算法自发展以来，研究者们针对SAR 舰船目标特点在通用深度学习目标检测模型的基础上不断完善。文献［10］中采用层间融合和增加网络分辨率的方法，扩大了特征图中小型船舶响应面积，显著提升了密集小目标的检测能力。Gao 等［11］为了加强CNN对特征的提取能力，在RetinaNet［12］中加入分离卷积块（Separated Convolution Block，SCB）和空间信息注意力模块（Spatial information Attention Block，SAB），提高了网络在多分辨率SAR 图像和复杂背景下小目标的检测性能。文献［13］中使用空间递归网络在整个图像上横向和垂直地传递空间上变化的上下文信息，改善对小目标的检测效果。……