郭伟，申磊，曲海成，王雅萱，林畅

辽宁工程技术大学软件学院，葫芦岛 125105

0 引 言

与可见光和红外波段传感器获取图像的方式不同，合成孔径雷达(synthetie aperture radar, SAR)只记录了一个波段的回波信息，生成的SAR图像主要反映地物的后向散射信息，图像信噪比较低。但是合成孔径雷达成像不受天气条件限制，具备全天时、全天候的特点。在军事侦察、海上救援和渔业监控领域广泛应用。因此，利用SAR图像对海洋舰船目标检测成为图形图像处理的研究热点。

传统的SAR图像目标检测算法主要包括检测和判别两个步骤。基于背景杂波统计分布的恒虚警率检测算法(constant false alarm rate，CFAR)是通过对海洋杂波进行统计建模确定阈值(Abu和Diamant，2020)，把输入信号与该阈值对比确定有无目标；基于极化分解的舰船目标检测(Sugimoto等，2013)是将协方差矩阵做去旋转角度处理来进一步提高舰船目标的二次散射，降低体散射，最后送入检测器；基于极化特征的舰船目标检测(Wang等，2012)通过对相干矩阵做滤波处理来解决SAR图像中舰船方向位模糊问题。传统目标检测模型依赖手动提取特征，需要检测目标和背景有较高的对比度，模型泛化能力和鲁棒性差，在复杂场景下模型检测效果并不理想。

随着深度学习技术快速发展，深度特征提取和强大的自适应学习能力，推动了深度学习在SAR图像目标检测领域的应用。基于深度学习的目标检测分为双阶段目标检测和单阶段目标检测。双阶段方法Fast R-CNN(Girshick，2015)经过一系列的卷积层和池化层提取特征，通过RoI(region of interest)得到一个固定的特征图，输入到全连接层完成分类和回归；……