窦其龙，颜明重，朱大奇

上海海事大学 智能海事搜救与水下机器人上海工程技术研究中心，上海 201306

合成孔径雷达(SAR)是根据电磁散射回波的原理对区域进行成像，其成像范围广、空间分辨率高，因而在资源勘探、灾害监测、海洋管理及军事领域得到了广泛的应用。基于星载SAR 图像，对大范围的海上目标，尤其是特定区域的船舶目标进行准确的检测、定位或识别，具有重要的现实需求[1]。

当今国内外的研究机构对于遥感卫星图像的目标检测做了大量的相关研究。传统的检测手段主要有区域选择、特征提取和分类器分类3 个步骤。区域选择即对可能存在目标的区域进行分割，如在星载SAR 图像里常用的CA-CFAR[2]算法等。特征提取就是在待检索区域将鲁棒性强的特征进行保留，在SAR 图像中比较常见的有标准差特征提取法(standard deviation，SD)[3]、加权秩填充比特征提取法(weighted-rank fill ratio，WRFR)[4]等。分类器分类就是将提取特征输入分类器，和已知数据进行比对分类。传统的检测方法受图像噪声的影响较大，存在选择区域冗余、特征鲁棒性较差、处理时间长等弊端。

自从2014 年Ross Girshick 提出卷积神经网络深度学习算法(regions with convolutional neural network features，RCNN)[5]，并在PASCAL VOC[6]数据集取得突破性进展后，深度卷积神经网络就进入了迅猛发展的时代，基于深度学习的神经网络模型也因其强大的特征提取能力而被广泛应用于各种实体目标的检测[7-8]。在RCNN 卷积神经网络提出之后，Shaoqing Ren[9]和郭昕刚等[10]又分别提出了Fast RCNN、Fsater RCNN，使得神经网络不断优化和拓宽，训练速度不断提高，误检率不断降低。……