周雪珂 刘 畅 周 滨①

①(中国科学院大学 北京 100049)

②(中国科学院空天信息创新研究院 北京 100190)

1 引言

合成孔径雷达 (Synthetic Aperture Radar,SAR) 作为一种主动式微波成像传感器，利用脉冲压缩技术改善距离分辨率，利用合成孔径原理改善方位分辨率，具有全天时、全天候进行高分辨率雷达成像观测能力[1,2]。SAR成像技术的日益成熟，对SAR图像中船舶目标检测的实时性和准确性也有了更高的要求[3]。

传统的SAR船舶检测方法一般采用多个步骤，从图像预处理，海陆分割，再到候选区域提取，最后进行目标检测和鉴别[4]。然而这种方法往往针对不同的场景问题就需要设计具体的解决方案，具有泛化性差的问题，检测精度也较差。

近些年，深度学习技术以其强大的特征表达能力和自主的学习能力在各个领域都得到了广泛的应用。基于深度学习的目标检测方法具有很多的优点[5]。深度学习算法充分体现了端到端的检测思想，整个过程几乎不需要人为干预和人为假设。因其适应性好，基于深度学习的目标检测算法针对光学图像、SAR图像，或者针对飞机、车辆、船舶等不同目标只通过变更样本重新训练即可，不需要修改网络结构和构建新特征。而且其适应性强，深度学习技术在进行船舶检测时不用区分远海近岸目标，网络可以自主学习目标的深度特征。

2014年，Girshick等人[6]开创性地提出一种基于区域的卷积神经网络方法(Region-based CNN features，R-CNN)，实现了在对目标检测的同时进行识别。此算法在该领域引起了广泛的……