基于动态频域卷积的SAR目标检测OA

由于合成孔径雷达(Synthetic aperture radar,SAR)具有特殊的成像机制与电磁散射特性,导致其采集的图像常伴随强散斑噪声和复杂背景干扰,这些特性严重制约了针对该类图像的目标检测的精度与鲁棒性。为进一步降低噪声干扰并解决现有方法存在的多尺度特征建模不足和频域信息利用有限的问题,本文提出一种融合频域动态卷积与空-频特征增强的SAR目标检测网络。首先引入了动态频域卷积模块,通过可学习的傅里叶谱系数和分组重构卷积核,结合特征修复机制实现对高低频成分的自适应调制,从而提升了卷积核的频带响应多样性与干扰条件下的特征表达能力。随后,通过联合频率自注意力与空间自注意力机制以及空频融合策略构建了空-频特征增强模块,实现了目标特征的增强。实验结果表明,所提方法在数据集MSAR与SARDet-100K上相较于基于注意力的可变形多子空间特征去噪的SAR图像目标检测(Attention as deformable multisubspace feature denoising for target detection in SAR images,记作DenoDet)网络、全卷积单阶段目标检测(Fully convolutional one-stage object detection,FCOS)网络、金字塔视觉Transformer轻量版(Pyramid vision Transformer-tiny,PVT-T)、Faster基于区域的卷积神经网络(Region-based convolutional neural networks,R-CNN)和仅需聚焦单层级特征(You only look one-level feature,YOLOF)网络等代表性方法,在多项评价指标上均取得了显著提升,展现出更高的检测精度、鲁棒性与良好的泛化能力,为SAR图像目标检测提供了一种新的解决思路。