韩子硕，王春平，付强 (陆军工程大学 石家庄校区 电子与光学工程系，河北 石家庄 050003)

针对SAR图像舰船检测，传统算法在特征提取和图像分析等多个环节均需要人工参与，致使整个过程耗时耗力且检测效果并不理想. 究其原因，一是各类舰船尺度差异大，且存在大量小目标甚至点目标；二是大量的散斑噪声、舰船与海面相互耦合以及近岸区域的复杂环境，导致目标视觉显著性差；三是海尖峰、冰山、小岛、钻井平台、浮标等众多假目标给检测带来难度. 针对目标尺度差异大的问题，DAI等[2]和杨龙等[3]利用特征融合技术，构建位置信息和语义信息同等丰富的金字塔结构特征图，并在多尺度特征层上进行目标检测，增强了网络对多尺度舰船的适应性. 但对于小目标占比大甚至包含一定数量点目标的宽幅大场景SAR图像的目标检测效果并不是很理想. 针对目标视觉显著性差的问题，HU等[4]通过学习特征图各通道之间的依赖关系得到重要性参数，并以此为依据为每个通道赋予不同的权值，达到增强有用特征、抑制无用特征的目的. 基于CNN的注意力模型(CNN-Based AM)[5]通过学习特征图像素点重要性参数，实现像素级空间特征增强. WOO等[6]从通道和空间两个层面分别构建注意力模块，两者经并行连接后共同将网络注意力聚焦于目标区域. SE-Net和CBAM中的通道注意力结构虽对特征丰富的光学图像效果明显，但对特征并不丰富的SAR图像却并不友好. 而CNN-Based AM需要进行大量的实……