龚声蓉，徐少杰，周立凡，朱杰，钟珊

1. 东北石油大学计算机与信息技术学院, 大庆 163318； 2. 常熟理工学院计算机科学与工程学院，常熟 215500

0 引 言

合成孔径雷达(synthetic aperture radar，SAR)可以提供全天候全天时的高分辨率图像，在海洋监测和海上交通监管中发挥着重要作用(Liu等，2019)。近年来，SAR图像的舰船检测引起了人们的关注(Heiselberg和Heiselberg，2017；阮晨 等，2021)，传统方法主要依赖于恒虚警率(constant false-alarm rate，CFAR)及其改进算法(Dai等，2016；Ao等，2018)，这些方法基于手工制作的特征，速度慢，易受屋顶、集装箱等类似船舶的物体或由海杂波引起的干扰，对复杂背景下的小型船舶识别效果不佳。因此，迫切需要新的目标检测模型来提高SAR舰船的检测性能，尤其是提高近岸复杂背景下小型舰船检测性能。

卷积神经网络(convolutional neural network，CNN)可以从数据本身学习深层特征，它的特征提取能力比手工制作的特征提取器更为优越(Wang等，2019)。因此，基于CNN的检测器已经广泛应用于SAR图像舰船检测中。Li等人(2017)使用迁移学习和困难样本挖掘等策略将Faster-RCNN(faster region convolutional neural network)(Ren等，2017)算法用于SAR舰船检测，但忽略了SAR图像中各种舰船尺寸差距过大的问题。Zhao等人(2019)在Li等人(2017)方法的基础上，采用多层次特征融合改进了一阶段检测器SSD(single shot multibox detector)(Liu等，2016)，大幅改善了模型对多尺寸舰船检测效果。

但是，针对SAR图像近岸复杂背景下小型舰船检测任务的深度学习目标检测模型依然较少，且具有诸多挑战(阮晨 等，2021)。首先，与光学图像不同，SAR图像主要通过不同目标的后向散射回波来构建图像。因此，在SAR图像中没有颜色、纹理等特征，只能大致显示目标的形状和亮度。……