李永剛，朱衛(wèi)綱，黃瓊男，李云濤，何永華

（1.航天工程大學(xué)電子光學(xué)工程系，北京 101416；2.電子信息系統(tǒng)復(fù)雜電磁環(huán)境效應(yīng)國家重點(diǎn)實(shí)驗(yàn)室，河南 洛陽 471032）

0 引 言

合成孔徑雷達(dá)（synthetic aperture radar，SAR）是一種全天時(shí)、全天候，不受天氣和光照等條件影響的主動微波成像傳感器，在軍用和民用領(lǐng)域?qū)ε灤?、飛機(jī)、車輛目標(biāo)的監(jiān)控具有重要作用。隨著SAR技術(shù)的不斷提高，SAR圖像艦船目標(biāo)檢測也被廣泛應(yīng)用于軍事和民用領(lǐng)域。當(dāng)對?？吭诤０兜呐灤繕?biāo)進(jìn)行檢測時(shí)，由于海岸背景雜波的影響，針對?？吭诤０兜呐灤繕?biāo)容易造成漏檢，同時(shí)容易產(chǎn)生較高的虛警。因此，提高SAR復(fù)雜背景下艦船目標(biāo)的檢測精度，無論是在軍事領(lǐng)域還是在民用領(lǐng)域都具有重要的研究價(jià)值。

近年來，隨著卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）技術(shù)在SAR圖像艦船目標(biāo)檢測領(lǐng)域的不斷應(yīng)用，使得檢測效果得到了顯著的提高。文獻(xiàn)［1］采用淺層特征增強(qiáng)網(wǎng)絡(luò)結(jié)構(gòu)，為了增加小尺寸目標(biāo)特征提取網(wǎng)絡(luò)的適應(yīng)性，引入了空洞卷積進(jìn)行特征圖感受野的擴(kuò)大。文獻(xiàn)［2］將單次多盒檢測器（single shot multibox detector，SSD）算法應(yīng)用在SAR圖像艦船目標(biāo)檢測，針對小目標(biāo)檢測效果不佳采用融合上下文信息和遷移模型學(xué)習(xí)的方法進(jìn)行創(chuàng)新。文獻(xiàn)［3］通過設(shè)計(jì)不同殘差網(wǎng)絡(luò)的殘差單元，改進(jìn)特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)，引入小尺寸艦船目標(biāo)的平衡因子進(jìn)行損失函數(shù)的優(yōu)化，提高小尺寸艦船目標(biāo)的檢測效果。文獻(xiàn)［4］中采用穩(wěn)定極值區(qū)域的決策準(zhǔn)則代替閾值決策準(zhǔn)則來選取候選區(qū)域，使用快速區(qū)域CNN（faster regional CNN，F(xiàn)aster RCNN）對SAR圖像艦船目標(biāo)進(jìn)行檢測。文獻(xiàn)［5］利用全卷積神經(jīng)網(wǎng)絡(luò)對海面與陸地區(qū)域進(jìn)行圖像分割，對排除地面雜波之后的海雜波建立統(tǒng)計(jì)模型，利用恒虛警率（constant false alarm rate，CFAR）進(jìn)行艦船檢測。文獻(xiàn)［6］提出了提高檢測算法對不同場景的適用性，利用比重調(diào)節(jié)系數(shù)在損失函數(shù)中，使得訓(xùn)練過程中更多地利用背景包含的復(fù)雜信息。文獻(xiàn)［7-8］提出了結(jié)合上下文信息的檢測方法，借助目標(biāo)周圍的背景雜波特征與目標(biāo)特征進(jìn)行特征融合，提高艦船目標(biāo)的檢測性能。文獻(xiàn)［9］采用海岸分割的方法進(jìn)行近岸艦船目標(biāo)檢測，提高近岸艦船目標(biāo)檢測性能。

隨著深度學(xué)習(xí)技術(shù)在SAR圖像艦船目標(biāo)檢測中的不斷發(fā)展，針對SAR圖像艦船目標(biāo)的檢測率不斷提高，但針對復(fù)雜背景下SAR圖像艦船目標(biāo)的檢測率仍存在檢測率低，漏檢率和虛警率高的問題。這是因?yàn)椴捎肅NN對近岸艦船目標(biāo)進(jìn)行檢測時(shí)，容易受到海岸背景雜波的影響。同時(shí)，CNN只能提取目標(biāo)區(qū)域相對規(guī)則的特征，對于?？吭诤０毒€的SAR圖像艦船目標(biāo)，所擁有的邊界框包含了很多海岸的背景信息，在很大程度上影響網(wǎng)絡(luò)提取艦船目標(biāo)的特征。采用CNN容易受背景海岸信息所影響。由于SAR圖像艦船目標(biāo)具有不同的尺度信息，通過CNN進(jìn)行特征提取時(shí)，不同的CNN具有不同的語義特征，隨著網(wǎng)絡(luò)層數(shù)的增加對小目標(biāo)的語義信息的提取相對較少，直接應(yīng)用在復(fù)雜背景下SAR圖像近岸艦船目標(biāo)檢測對不同尺度的艦船目標(biāo)無法取得良好的檢測效果。

本文針對復(fù)雜背景下SAR圖像艦船目標(biāo)的檢測率仍存在檢測率低，漏檢率和虛警率高的問題，構(gòu)建了復(fù)雜環(huán)境下近岸艦船目標(biāo)檢測的數(shù)據(jù)集；為了提高復(fù)雜背景近岸艦船目標(biāo)的檢測效果，在Yolov5（you only look once 5）的基礎(chǔ)上，對YOLOv5進(jìn)行結(jié)構(gòu)性的改進(jìn)。首先，采用可變形CNN（deformable CNN，DCNN）提高網(wǎng)絡(luò)特征的表達(dá)能力。其次，為了將淺層特征和深層語義信息進(jìn)行融合，通過借鑒級聯(lián)和并列的inception思想進(jìn)行特征融合。為了降低特征提取的計(jì)算量，采用空洞卷積擴(kuò)大視覺感受野，增強(qiáng)模型對復(fù)雜背景下近岸艦船目標(biāo)不同尺度的適應(yīng)性。最后，通過多組對比實(shí)驗(yàn)和復(fù)雜環(huán)境下SAR圖像艦船目標(biāo)的檢測結(jié)果進(jìn)行分析，驗(yàn)證了本文算法在SAR圖像復(fù)雜背景下近岸艦船目標(biāo)檢測中的實(shí)用性和有效性。

1 復(fù)雜背景SAR圖像

SAR圖像艦船目標(biāo)檢測任務(wù)中，目標(biāo)與海雜波之間的區(qū)分較為明顯，這是由于目標(biāo)的灰度特性明顯高于海雜波的灰度特性，使用多尺度檢測算法在簡單的海雜波背景下目標(biāo)檢測效果較佳。但是在實(shí)際SAR圖像成像過程中，SAR圖像中往往會出現(xiàn)城市、港口、島礁等背景，這些背景往往具有很高的灰度特性，且分布隨機(jī)性較高，難以描述其統(tǒng)計(jì)特性，使用深度學(xué)習(xí)目標(biāo)檢測的方法檢測率低，虛警率高。本文所提到的復(fù)雜背景是指在成像中具有港口、島礁等背景的SAR圖像。簡單海雜波背景和復(fù)雜背景圖像如圖1所示。

圖1 簡單海雜波背景和復(fù)雜背景圖像Fig.1 Simple sea clutter background and complex background image

2 算法

2.1 Yolov5檢測算法

Yolo（you only look once）是2016年 由Redmon等人提出的一種基于回歸的目標(biāo)檢測算法。2020年推出了第5代Yolov5，包含4個(gè)目標(biāo)檢測的版本Yolov5s，Yolov5 m，Yolov5 l，Yolov5 x，其 中Yolov5 x的網(wǎng)絡(luò)深度最大，特征圖寬度最大，檢測效果相比于Yolov4較好。不同的版本通過代碼修改寬度和深度，Yolov5包括輸入端、主干網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)等部分，本實(shí)驗(yàn)選擇了Yolov5 x進(jìn)行訓(xùn)練，Yolov5具體結(jié)構(gòu)如圖2所示。

圖2 Yolov5網(wǎng)絡(luò)整體結(jié)構(gòu)圖Fig.2 Overall structure diagram of Yolov5 network

Yolov5在目標(biāo)檢測領(lǐng)域有著良好的檢測性能，主要原因如下：①輸入端采用Mosaic數(shù)據(jù)增強(qiáng)，自適應(yīng)錨框計(jì)算，自適應(yīng)圖像縮放減少填充帶來的計(jì)算冗余，豐富特征數(shù)據(jù)的多樣性，有利于提高目標(biāo)檢測的性能。②主干網(wǎng)絡(luò)采用跨階段部分網(wǎng)絡(luò)（cross stage partial network，CSP）模塊，CSP模塊增加了CNN的特征表達(dá)能力，能夠保持特征提取的準(zhǔn)確性的同時(shí)降低網(wǎng)絡(luò)的參數(shù)和計(jì)算機(jī)內(nèi)存成本的消耗。③特征融合模塊采用特征金字塔網(wǎng)絡(luò)（feature pyramid network，F(xiàn)PN）＋感知對抗網(wǎng)絡(luò)（perceptual adversarial network，PAN）結(jié)構(gòu)，通過FPN層的特征提取采用自頂向下的方式針對強(qiáng)語義特征進(jìn)行提取，而特征金字塔針對強(qiáng)定位信息采用自底向上的方式。通過不同的主干層對不同的檢測層進(jìn)行參數(shù)聚合，提高目標(biāo)檢測性能。

盡管Yolov5算法在SAR圖像目標(biāo)檢測中取得了不錯的檢測效果，但是針對復(fù)雜背景下SAR圖像近岸艦船目標(biāo)檢測存在著檢測率低，虛警和漏檢率高的問題，主要原因如下：①Yolov5主干提取網(wǎng)絡(luò)采用CNN，只能規(guī)則地針對目標(biāo)區(qū)域的特征進(jìn)行提取，而對于?？吭诤０兜腟AR圖像艦船目標(biāo)，由于海岸背景雜波的影響，在CNN對SAR圖像艦船目標(biāo)特征提取時(shí)，容易受到背景雜波信息的干擾，影響特征提取網(wǎng)絡(luò)的特征表達(dá)能力。②主干提取網(wǎng)絡(luò)沒有針對上下文信息進(jìn)行融合，針對不同尺度的近岸艦船目標(biāo)，檢測效果不佳。

2.2 改進(jìn)的Yolov5檢測算法

本文將Yolov5算法應(yīng)用于復(fù)雜背景下近岸艦船目標(biāo)檢測當(dāng)中，通過改進(jìn)主干網(wǎng)絡(luò)特征提取能力，提出了采用DCNN和多特征融合的方法，提高了復(fù)雜背景下近岸艦船目標(biāo)檢測性能。

2.2.1 DCNN

原始的Yolov5目標(biāo)檢測算法主干網(wǎng)絡(luò)采用的是CNN進(jìn)行特征提取，CNN針對復(fù)雜環(huán)境下近岸艦船目標(biāo)的特征提取容易提取海岸背景信息，很大程度對特征提取產(chǎn)生了一定的局限性。因此，本文在特征提取部分CSP2_1模塊中引入DCNN（簡稱為DCNC SP2_1）代替CNN，具體結(jié)構(gòu)如圖3所示。

圖3 改進(jìn)的DCNNFig.3 Improved DCNN

針對SAR圖像特征提取網(wǎng)絡(luò)的卷積操作是卷積核與SAR圖像上對應(yīng)的目標(biāo)區(qū)域進(jìn)行乘積運(yùn)算，其表達(dá)式為

式中：和分別表示輸入SAR圖像艦船目標(biāo)特征圖和SAR圖像艦船目標(biāo)輸出特征圖；為SAR圖像艦船目標(biāo)特征圖上像素的位置；為卷積核的元素?cái)?shù)量；w 為第個(gè)位置處的權(quán)重；p 表示預(yù)定義的采樣偏移。

CNN只能規(guī)則地針對目標(biāo)區(qū)域的特征進(jìn)行提取，對于停靠在海岸線的艦船目標(biāo)，由于海岸背景雜波存在著較高的灰度特性，在CNN進(jìn)行特征提取時(shí)，背景雜波信息容易對特征提取網(wǎng)絡(luò)的特征表達(dá)能力產(chǎn)生干擾。為了避免CNN對海岸信息的特征提取，使得?？亢０毒€的艦船目標(biāo)更好地特征表達(dá)。本文引入了DCNN針對SAR圖像特征提取的采樣點(diǎn)進(jìn)行自適應(yīng)性調(diào)節(jié)，其表達(dá)式如下所示：

式中：Δp 為可學(xué)習(xí)的偏移量；Δm為可學(xué)習(xí)的縮放因子，取值范圍為［0，1］。

如圖4所示，假設(shè)SAR圖像區(qū)域已經(jīng)被中間層CNN進(jìn)行了特征提取，接著對中間特征點(diǎn)進(jìn)行采樣，圖中圓點(diǎn)代表卷積核采樣點(diǎn)位置。CNN針對SAR圖像特征圖進(jìn)行特征提取時(shí)，卷積核不可避免地針對海岸信息進(jìn)行采樣，對艦船目標(biāo)特征提取造成了影響。而DCNN為了避免對海岸信息的采樣，通過特征自適應(yīng)的進(jìn)行采樣點(diǎn)的調(diào)節(jié)。在采樣過程中，DCNN通過設(shè)置可學(xué)習(xí)的縮放因子Δm調(diào)節(jié)采樣過程中特征的權(quán)重。實(shí)驗(yàn)結(jié)果表明，采用DCNN提高了SAR圖像目標(biāo)檢測網(wǎng)絡(luò)的特征表達(dá)能力。

圖4 CNN和DCNNFig.4 CNN and DCNN

2.2.2 多特征融合

SAR圖像復(fù)雜背景下近岸艦船目標(biāo)存在著不同尺度的艦船，直接使用Yolov5算法主干提取網(wǎng)絡(luò)提取特征并不理想，其主要原因是并沒有對上下文特征信息進(jìn)行融合。本文采用Yolov5x進(jìn)行訓(xùn)練，隨著Yolov5的主干提取網(wǎng)絡(luò)加深，深層的特征提取網(wǎng)絡(luò)只能采用淺層特征圖的語義信息，對不同尺度的艦船目標(biāo)的檢測，容易造成明顯的漏檢。因此，本文為了提高不同尺度艦船目標(biāo)的檢測效果，考慮將SAR圖像淺層特征圖通過級聯(lián)的方式和深層特征提取的語義信息進(jìn)行融合，提高Yolov5特征提取網(wǎng)絡(luò)對不同尺度SAR圖像艦船目標(biāo)檢測的適應(yīng)性。具體改進(jìn)后的結(jié)構(gòu)如圖5所示。圖5（a）為原始的Yolov5中空間金字塔池（spatial pyramid pooling，SPP）網(wǎng)絡(luò)模塊，圖5（b）為改進(jìn)的網(wǎng)絡(luò)模塊。本文核心是在主干特征提取網(wǎng)絡(luò)SPP模塊中進(jìn)行改進(jìn)借鑒inception模塊思想，通過設(shè)計(jì)多個(gè)金字塔模塊級聯(lián)和并列的多特征融合結(jié)構(gòu)（multi feature fusion-1／2／3，MFF-1／2／3），融合不同層級上的SAR圖像艦船目標(biāo)特征圖，實(shí)現(xiàn)SAR圖像不同尺度艦船目標(biāo)的特征圖的融合。采用多特征融合的SAR圖像艦船目標(biāo)檢測方法，能夠有效提高艦船目標(biāo)的檢測精度和算法的魯棒性。針對不同尺度的復(fù)雜背景艦船目標(biāo)有良好的檢測效果。

圖5 多特征融合網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Multi-feature fusion network structure

金字塔模塊如圖6所示，金字塔模塊1采用A1_1×1的卷積；金字塔模塊2采用A2_1×1卷積，A3_1×1卷積，B1_3×3卷積；金字塔模塊3采用A4_1×1卷積，B2_3×3卷積，5×5卷積；金字塔模塊4采用A5_1×1卷積，B3_3×3卷積，7×7卷積；針對不同尺度的艦船目標(biāo)進(jìn)行特征融合，為了不增加計(jì)算量B*_3×3卷積（*＝1，2，3），5×5卷積及7×7卷積采用空洞卷積方式，增加感受野，提高不同尺度艦船的特征提取。

圖6 金字塔模塊Fig.6 Pyramid module

對于一個(gè)卷積層，如果希望增加輸出單元的感受野，一般可以通過3種方式實(shí)現(xiàn)：①增加卷積核的大??；②增加層數(shù)，例如兩層3×3的卷積可以近似一層5×5卷積的效果；③在卷積之前進(jìn)行匯聚操作。而前兩種方式會增加參數(shù)數(shù)量，第3種方式會丟失一些信息。本文采用空洞卷積的方式，不增加參數(shù)數(shù)量同時(shí)增加了感受野?？斩淳矸e即通過給卷積核插入“空洞”變相地增加其大小。如果在卷積核的每兩個(gè)元素之間插入-1個(gè)空洞，卷積核的有效大小為

式中：稱為膨脹率。正是利用空洞卷積擴(kuò)大卷積核進(jìn)而增加卷積感受野，增大多尺度任務(wù)的上下文信息，使得對特征圖可以提取更加豐富的特征。

圖7 空洞卷積的應(yīng)用Fig.7 Application of null convolution

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)平臺

本文所有的實(shí)驗(yàn)均在pytorch框架上，利用Yolov5檢測算法的基礎(chǔ)上開展。實(shí)驗(yàn)的硬件平臺：CPU：Intel（R）Core（TM）i9-9820X＠3.30 GHz，GPU：TITAN V，32 G內(nèi)存；操作系統(tǒng)Window10；軟件方面：基于深度學(xué)習(xí)架構(gòu)Pytorch和Python開發(fā)環(huán)境Pycharm；采用CUDA10.1加速。

3.2 數(shù)據(jù)集構(gòu)建

為了適應(yīng)復(fù)雜環(huán)境SAR圖像近岸艦船目標(biāo)檢測，構(gòu)建一個(gè)用于復(fù)雜環(huán)境SAR圖像近岸艦船目標(biāo)檢測的數(shù)據(jù)集，數(shù)據(jù)集模仿PASCAL VOC數(shù)據(jù)集構(gòu)建，包含靠近港口和大片海域的艦船目標(biāo)，數(shù)據(jù)集共2 778張圖像，在Yolov5網(wǎng)絡(luò)的訓(xùn)練階段，將數(shù)據(jù)集按照8∶2的比例分為訓(xùn)練集和測試集。數(shù)據(jù)來源主要是目前公開的衛(wèi)星高分三號、TerraSAR-X衛(wèi)星、哨兵系列衛(wèi)星等。每張圖采用labelimg進(jìn)行艦船標(biāo)注。圖8所示為部分?jǐn)?shù)據(jù)集SAR艦船圖像，包括不同尺度的SAR艦船目標(biāo)，也包含密集和稀疏型艦船。

圖8 數(shù)據(jù)集部分SAR圖像艦船目標(biāo)Fig.8 SAR images of ship targets in part of the data set

3.3 評價(jià)標(biāo)準(zhǔn)

基于CNN的SAR圖像艦船檢測算法性能的評價(jià)標(biāo)準(zhǔn)與一般的光學(xué)圖像的評價(jià)標(biāo)準(zhǔn)是相同的。本文將準(zhǔn)確程度作為SAR圖像艦船檢測算法的衡量標(biāo)準(zhǔn)。

準(zhǔn)確程度是指檢測算法輸出結(jié)果的準(zhǔn)確度的高低，主要通過以下4個(gè)指標(biāo)進(jìn)行度量：精確度，召回率，平均準(zhǔn)確率AP，1分?jǐn)?shù)1，這4個(gè)指標(biāo)的定義或計(jì)算公式分別如下：

式中：TP，F(xiàn)P，F(xiàn)N分別為正確檢測的目標(biāo)個(gè)數(shù)、虛警的目標(biāo)個(gè)數(shù)、漏檢的目標(biāo)個(gè)數(shù)。從式（4）～式（7）可以看出，的實(shí)際含義為實(shí)際正樣本中被預(yù)測正確的概率；為正確檢測到的目標(biāo)占所有待檢測目標(biāo)的概率；AP是指不同召回率時(shí)精確率的平均值，即曲線與坐標(biāo)軸形成的區(qū)域的面積，取值范圍為［0，1］，AP是基于CNN的目標(biāo)檢測算法中最常用的準(zhǔn)確率指標(biāo)，待檢測的目標(biāo)類別數(shù)大于1時(shí)，以AP的算術(shù)平均值m AP來衡量算法性能，本文研究中待檢測目標(biāo)只有一類艦船目標(biāo)，因此全部以AP作為評價(jià)指標(biāo)。

處理速度：處理速度主要通過檢測所有圖片消耗的平均時(shí)間和計(jì)算每秒處理圖像的幀數(shù)，即算法檢測速度（frames per second，F(xiàn)PS）進(jìn)行量化評價(jià)，平均時(shí)間與檢測速度FPS兩者互為倒數(shù)，即

顯然，平均時(shí)間與檢測速度FPS這兩個(gè)評價(jià)指標(biāo)與計(jì)算機(jī)硬件資源的性能密切相關(guān)，相同算法在不同的計(jì)算機(jī)硬件資源上的處理速度存在著差異。

3.4 實(shí)驗(yàn)方案

實(shí)驗(yàn)主要包含兩部分：各處改進(jìn)對算法性能的影響和檢測性能評估。各處改進(jìn)對算法性能的影響實(shí)驗(yàn)用于驗(yàn)證本文對Yolov5算法各處改進(jìn)和優(yōu)化的實(shí)驗(yàn)效果，包含DCNN對算法性能的提高，可變形卷積多特征融合對算法性能的提高。為了方便引用和說明，本文對增加DCNN的Yolov5簡稱為D-Yolov5（deformable Yolov5），對改進(jìn)的可變形多特征融合Yolov5簡稱為DFF-Yolov5（deformable feature fusion Yolov5）。

現(xiàn)在她6歲，枕邊書是卡爾維諾的《意大利童話》。她不太愛看《牛頓科學(xué)館》，喜歡《米勒的花園》，迷上了花木的名字，我為她備了花盆和砂土，卻忘了小朋友愛玩沙的天性。

3.5 測試結(jié)果與分析

為了驗(yàn)證改進(jìn)的Yolov5算法應(yīng)用于復(fù)雜環(huán)境下近岸艦船目標(biāo)上的檢測性能，在本文所構(gòu)建的數(shù)據(jù)集的基礎(chǔ)上，分別針對Yolov5，D-Yolov5，DFF-Yolov5進(jìn)行實(shí)驗(yàn)驗(yàn)證，具體結(jié)果如表1所示。

表1 實(shí)驗(yàn)結(jié)果對比Table 1 Comparison of experimental results

通過表1對比Yolov5，D-Yolov5和DFF-Yolov5的各項(xiàng)性能指標(biāo)，D-Yolov5的準(zhǔn)確率相比于Yolov5提高了0.13%，DFF-Yolov5的準(zhǔn)確率相比于Yolov5提高了5.09%，平均準(zhǔn)確率達(dá)到了85.99%。DFF-Yolov5的精確度相比于Yolov5提高了1.42%，平均精確度達(dá)到了93.20%。但是DFF-Yolov5的檢測效率相比于D-Yolov5和Yolov5有所降低，主要原因在于本文算法引入了DCNN和多特征融合模塊，雖然提高了復(fù)雜環(huán)境下近岸艦船檢測的平均準(zhǔn)確率，但是網(wǎng)絡(luò)層數(shù)的增大導(dǎo)致計(jì)算量增加。

為了充分地展示出所提算法的各項(xiàng)性能，圖9為部分有代表性的SAR圖像艦船檢測結(jié)果。其中，矩形框?yàn)樗惴A(yù)測的艦船邊界框，邊界框上方的“ship”為算法預(yù)測的該目標(biāo)的類型，其后的數(shù)字為該目標(biāo)為艦船的置信度；橢圓內(nèi)的目標(biāo)為能夠證明DFF-Yolov5算法性能的艦船檢測結(jié)果。可以看出，DFF-Yolov5對SAR圖像復(fù)雜背景下近岸艦船檢測性能的提高比較顯著，主要體現(xiàn)在以下3個(gè)方面。

（1）改善了不同尺度的艦船檢測：由圖9可知Yolov5，D-Yolov5和DFF-Yolov5對大尺度的艦船目標(biāo)檢測效果較佳。由表2和圖9可知，針對艦船目標(biāo)A1，E1，F(xiàn)1，G1，H1像素占比較小的小尺度艦船目標(biāo)，Yolov5出現(xiàn)漏檢。如（3，1）中，艦船E1僅占該圖像總面積的0.11%，Yolov5和D-Yolov5并沒有檢測出E1 和E2 艦船目標(biāo)，而DFFYolov5對（3，3）中的E3艦船目標(biāo)也能準(zhǔn)確檢測，說明本文方法對不同尺度的目標(biāo)檢測效果也很好。

表2 檢測結(jié)果Table 2 Test results

（2）實(shí)現(xiàn)了不同場景下的艦船檢測：如第1列為遠(yuǎn)海艦船目標(biāo)，2，3，4列都為復(fù)雜背景近岸艦船目標(biāo)，由圖9可知不同的場景下DFF-Yolov5都能表現(xiàn)出良好的檢測性能。

圖9 Yolov5，D-Yolov5和DFF-Yolov5的檢測結(jié)果Fig.9 Detection results of Yolov5，D-Yolov5 and DFF-Yolov5

（3）提高了復(fù)雜背景下艦船的檢測準(zhǔn)確率：如2，3，4列的圖像中目標(biāo)。對比第4列中的I，J和K便能很好地說明這一點(diǎn)，同時(shí)將復(fù)雜背景下的（4，3）中的目標(biāo)I3檢測為艦船的置信度從0.69提高到了0.83。另外一個(gè)值得注意的地方是，（4，1）中的目標(biāo)I1，J1和K1，Yolov5并未檢測出來，而本文所提方法檢測的結(jié)果是目標(biāo)是置信度分別為0.83，0.92，0.80的艦船目標(biāo)，這部分區(qū)域檢測難度在于目標(biāo)靠近海岸背景雜波復(fù)雜，對檢測干擾較大。在這種比較復(fù)雜的情況下本文所提方法能夠準(zhǔn)確地檢測出目標(biāo)，證明了該方法在復(fù)雜背景下的良好適用性。

本文算法通過引入DCNN和多特征融合模塊，提高了復(fù)雜背景下近岸艦船目標(biāo)檢測的效果。由實(shí)驗(yàn)可視化檢測結(jié)果可以看出，本文提出的方法對SAR圖像復(fù)雜背景下近岸艦船目標(biāo)檢測算法的檢測能力得到了提高。

4 結(jié) 論

針對CNN在復(fù)雜背景下SAR圖像近岸艦船目標(biāo)檢測中容易產(chǎn)生漏檢和誤檢的缺點(diǎn)，本文提出了DFF-YOLOv5目標(biāo)檢測算法，針對于復(fù)雜背景下的SAR圖像艦船目標(biāo)的檢測效果得到了明顯的提高。通過實(shí)驗(yàn)對比分析，可以得到以下結(jié)論：①DFF-Yolov5檢測算法網(wǎng)絡(luò)結(jié)構(gòu)相比于原始Yolov5檢測算法檢測精度明顯提升，虛警率明顯降低，DFF-Yolov5的平均準(zhǔn)確率達(dá)到了85.99%。其最主要的原因是主干提取網(wǎng)絡(luò)中引入了DCNN和多特征融合模塊，增強(qiáng)了主干網(wǎng)絡(luò)的特征提取能力，提高了算法針對復(fù)雜背景下SAR圖像近岸艦船目標(biāo)檢測的性能。②從可視化的檢測效果可以看出，本文算法在不同的場景下檢測性能得到明顯提高，漏檢和誤檢明顯下降。