基于YOLOX网络的SAR图像舰船目标检测

摘 要：针对 SAR 图像舰船目标尺寸大小不一、舰船分布密集、背景复杂等问题，本文提出一种改进 YO⁃ LOX网络并用于SAR图像舰船目标检测。该网络包括主干特征提取网络、加强特征提取网络、解耦头、预测框优 化及损失计算等 4个部分。与常规YOLOX网络相比，本文作了如下改进：首先，在主干特征提取网络中，3个基 础特征层之后都添加了CA模块；在加强特征提取网络中，两处下采样之后也都添加了CA模块。以强化对SAR 图像中重要区域的特征提取。其次，在框回归损失函数中，引入CIOU替代IOU，以更好地利用预测框和真实框 之间的相对位置信息和形状信息，提升预测框回归精度。本文基于AIR⁃SARSHIP⁃2.0数据集进行了大量的舰船 目标检测实验，并选择了Faster⁃RCNN、YOLOv3和常规YOLOX等3种网络与本文的改进YOLOX网络进行对比。 实验结果表明，本文的改进YOLOX网络整体性能优于其他3种对比网络，有更少的虚警和漏警、更高的检测精度。

关键词：深度学习；YOLOX；SAR图像；舰船目标检测

0 引 言

        合成孔径雷达（Synthetic Aperture Radar, SAR） 是一种在民用和军事诸多领域具有广泛应用前景 的主动式高分辨率对地观测系统，不受光照和气 候条件的影响，为国内外广大学者所关注［1⁃2］ 。 近年来，以卷积神经网络（Convolutional Neu⁃ral Network，CNN）［3］ 为代表的深度学习发展迅速， 不仅在处理光学图像处理中取得不俗的成绩［4］ ，在 SAR 图像处理［5⁃10］中也取得显著效果。与传统的 SAR 图像目标检测方法依赖人工设计提取复杂特 征相比，CNN通过神经网络自动完成特征提取，实 现了“端到端”的处理流程，减少人为干预。 基于卷积神经网络的目标检测算法，根据其网络结构可分为双阶段（two⁃stage）检测算法和单 阶段（one⁃stage）检测算法两大类。双阶段检测算 法首先要生成若干比例、尺寸不一且可能包含物 体的候选区域（region proposals），然后将候选区域 送入网络进行目标检测，该类模型主要包括 R ⁃ CNN、Fast⁃RCNN、Faster⁃RCNN［11］ 等。单阶段检测 算法不需要产生候选区域，直接在网络中提取特 征来预测物体的位置和类别，该类模型主要包括 SSD和YOLO［12］ 系列方法。

        2016 年 Redmon 等提出了 YOLO 算法，提出将 候选区域划定和目标分类识别这两个阶段合二为 一的方法，虽然在精度上并未超过 Faster⁃RCNN， 但在速度上有不少的提升。2017年该作者再次提 出YOLOv2算法，提出一种检测与分类联合训练方 法，大大降低了计算复杂度，在准确率、速度、识别 种类三方面得到了改进。2018年4月，该作者又提 出YOLOv3 ［13］ 算法，该算法在保持速度优势的前提 下，进一步提高了检测精度，尤其是对小目标的检 测能力。至此其综合性能，无论是速度和精度，都 已经超过双阶段检测算法。2020 年 4 月 23 日， Alexey Bochkovskiy 提出了 YOLOv4 网络模型。同 年 5 月 30 日，Glenn Jocher 在 GitHub 上发布了 YO⁃ LOv5 网络模型。2021 年 7 月，北京旷视科技发布 了最新的 YOLOX［14］模型，该模型引入了 Anchor ⁃ Free、Decoupled Head 等思想，进一步提升了模型 在图像目标检测与识别中的精度和速度。 国内外很多研究人员都在SAR图像目标检测 与识别中引入了深度学习算法，并且取得了不错的成果。李健伟等构建了国内首个SAR图像舰船 公开数据集 SSDD，并用其训练 Faster ⁃ RCNN 网 络［15］ ，证明了相比传统算法，深度学习算法的优越 性。曹磊等将 Faster⁃RCNN 网络用于 SAR 图像车 辆目标检测［16］ ，并加以改进，使其收敛速度更快， 检测精度更高。Hu等提出了一种专门用于船舶检 测的双极化 SAR 数据集（DSSDD），并提出一种基 于异常检测的弱监督船舶检测方法［17］ 。

         在SAR图像舰船目标检测中，针对舰船目标尺 寸大小不一、舰船分布密集、背景复杂等问题，本文 提出一种基于YOLOX网络的SAR图像舰船目标检 测与识别算法。在YOLOX网络的基础上，引入CI⁃ OU（Complete⁃IOU）来代替交并比（IOU, Intersection over Union），以得到更加合理的总体损失函数，提 高对尺寸大小不一的舰船目标的检测准确性。在 其主干特征提取网络之后以及加强特征提取网络 之中加入坐标注意力（CA, Coordinate Attention）机 制模块，以便在大量图像特征信息中，对当前任务 更加关键的特征信息会被赋予更高的关注度。本 文基于SAR舰船检测数据集进行了大量的实验验 证，结果表明，与所选用的对比网络相比，本文的 改进