基于自注意力機(jī)制的雷達(dá)弱目標(biāo)檢測

齊美彬，李亞斌，項厚宏，楊艷芳，張學(xué)森

（1.合肥工業(yè)大學(xué)計算機(jī)與信息工程學(xué)院，安徽合肥 230009；2.中國電子科技集團(tuán)公司第三十八研究所，安徽合肥 230088）

0 引 言

近年來，小型無人機(jī)等一系列低空慢速的小目標(biāo)的研發(fā)實現(xiàn)了較快的發(fā)展，其數(shù)量也日益增多。為了更好地防止低空事故的發(fā)生，如何檢測到這些弱目標(biāo)，成為了近年來雷達(dá)領(lǐng)域的熱點之一。但是在雷達(dá)目標(biāo)檢測中，弱目標(biāo)因其散射截面積（Radar Cross Section, RCS）小，信噪比（Signal to Noise Ratio,SNR）低，給檢測任務(wù)帶來了巨大的挑戰(zhàn)。

傳統(tǒng)雷達(dá)弱目標(biāo)的檢測大多采用恒虛警方法（Constant False Alarm Rate, CFAR）［1-2］實現(xiàn)目標(biāo)的定位。但是，由于其回波能量小于周圍雜波與噪聲，引發(fā)大量虛警、漏警現(xiàn)象。該方法的性能過分地依賴于門限值的設(shè)定，對目標(biāo)檢測結(jié)果造成一定的干擾。

由于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）［3-4］具備良好的特征提取能力，其已經(jīng)成功在計算機(jī)視覺、自然語言處理等多個領(lǐng)域取得了良好的性能。受到基于深度學(xué)習(xí)的視覺目標(biāo)檢測成果［5-8］的啟發(fā)，在卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于雷達(dá)目標(biāo)檢測方面，本文進(jìn)行了初步探索。

文獻(xiàn)［9］設(shè)計了一種基于CNN 的檢測器實現(xiàn)雷達(dá)目標(biāo)的檢測。與傳統(tǒng)CFAR 檢測器不同，該方法通過使用窗口函數(shù)在距離-多普勒（Range-Doppler,RD）圖上滑動，根據(jù)網(wǎng)絡(luò)學(xué)習(xí)到的窗口內(nèi)的雷達(dá)信號特征，來判斷滑窗內(nèi)的RD 圖是否包含目標(biāo)。該檢測器采用兩個卷積層和兩個池化層去提取雷達(dá)信號特征。RadCNN［10］在文獻(xiàn)［9］的基礎(chǔ)上，加深了網(wǎng)絡(luò)的卷積層至四層，并采用動量隨機(jī)梯度下降法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。但是該類算法沒有考慮RD 圖中區(qū)域之間的相關(guān)性，無法應(yīng)對低信噪比情況下的小目標(biāo)的檢測。同時，由于滑窗大小是固定的，此類方法容易發(fā)生小目標(biāo)的漏檢情況，目標(biāo)的定位精度有待提高。

針對上述問題，本文采用U-Net網(wǎng)絡(luò)［11-12］，通過對RD 圖中的雷達(dá)信號進(jìn)行編碼和解碼操作，從而實現(xiàn)逐單元的目標(biāo)檢測。此外，本文在網(wǎng)絡(luò)中引入了自注意力模塊［13-14］，因其RD 矩陣中目標(biāo)點特殊的幅度信息和相位信息，網(wǎng)絡(luò)根據(jù)數(shù)據(jù)驅(qū)動的方式建模輸入信號中任意兩個信號間的關(guān)系，來獲取RD 矩陣中具有辨別性的深度語義特征從而提高網(wǎng)絡(luò)的全局關(guān)系建模能力。該網(wǎng)絡(luò)可以進(jìn)行端到端的檢測訓(xùn)練，且可以對任意尺寸的雷達(dá)回波數(shù)據(jù)進(jìn)行編碼，再將其解碼恢復(fù)數(shù)據(jù)原來尺寸大小，因此可以靈活地應(yīng)用于多種雷達(dá)信號檢測場景中。

具體來說，本文根據(jù)信號預(yù)處理模塊得到的距離-多普勒（RD）復(fù)數(shù)矩陣，擴(kuò)展為實部、虛部、模值三個通道矩陣，并將其輸入到深度學(xué)習(xí)網(wǎng)絡(luò)框架中訓(xùn)練。對每個距離和速度單元都產(chǎn)生了一個預(yù)測，同時加入自注意力模塊建模多個映射空間的雷達(dá)信號自注意力關(guān)系來獲取更加豐富的特征信息，從而精確的定位目標(biāo)點所在的距離單元和多普勒信息。

此外，本文進(jìn)行了廣泛的實驗證明了所提出方法的有效性。實驗的可視化效果證明了本文的方法是優(yōu)于傳統(tǒng)CFAR 檢測的方法，檢測性能在低信噪比場景下具有較強(qiáng)的魯棒性，能夠?qū)崿F(xiàn)對弱目標(biāo)的有效檢測。

1 雷達(dá)信號檢測框架

本文采用的方法總體分為3個模塊：預(yù)處理模塊、檢測模塊、結(jié)果模塊，如圖1所示。

圖1 信號檢測框架

預(yù)處理模塊：對于雷達(dá)信號本文采用線性調(diào)頻（LFM）發(fā)射信號。在持續(xù)時間內(nèi)，LFM信號的實部和虛部都為時間的振蕩函數(shù)，信號頻率隨時間呈線性規(guī)律，其示意圖如圖2所示。

圖2 線性調(diào)頻波信號

根據(jù)RD 矩陣中目標(biāo)點的幅度信息和相位信息，網(wǎng)絡(luò)根據(jù)數(shù)據(jù)驅(qū)動的方式建模輸入信號中任意兩個信號間的關(guān)系，來獲取RD 矩陣中具有辨別性的深度語義特征，從而提高網(wǎng)絡(luò)的全局關(guān)系建模能力。

因此雷達(dá)回波數(shù)據(jù)的預(yù)處理通過脈沖壓縮、多普勒處理之后，形成的雷達(dá)數(shù)據(jù)是一個距離-多普勒二維矩陣X。矩陣中每個像素都以復(fù)數(shù)i + jQ形式表示，包含實部和虛部。矩陣X的行代表距離信息，X的列代表速度信息。為了便于深度網(wǎng)絡(luò)的處理，本文將單通道的矩陣X整合成三通道矩陣X。3 個通道分別由矩陣X的實數(shù)、虛數(shù)和絕對值構(gòu)成。絕對值通道用于更好地讓網(wǎng)絡(luò)獲取數(shù)據(jù)中的幅度信息，實數(shù)和虛數(shù)通道則是讓網(wǎng)絡(luò)來獲取數(shù)據(jù)中的相位信息。

檢測模塊：由于自注意力機(jī)制模塊可以獲取輸入信號中任意兩個信號間的關(guān)系，不需要任何先驗信息，是一種數(shù)據(jù)驅(qū)動的網(wǎng)絡(luò)。因此，其可以由任務(wù)自身驅(qū)動，自動學(xué)習(xí)雷達(dá)信號間的關(guān)系，獲得雷達(dá)的全局信息和長時依賴。而U-Net作為卷積神經(jīng)網(wǎng)絡(luò)，包含編碼和解碼模塊，其通過局部先驗獲取雷達(dá)信號的局部關(guān)系，但其在長期依賴的建模能力尚且不足。綜上，兩個網(wǎng)絡(luò)的結(jié)合可以形成功能性的互補(bǔ)。因此為了提高雷達(dá)信號的特征的辨別性，本文在U-Net 網(wǎng)絡(luò)中加入自注意力模塊，構(gòu)建出基于自注意力機(jī)制的U-Net網(wǎng)絡(luò)，利用自注意力機(jī)制模塊提高U-Net 網(wǎng)絡(luò)的全局關(guān)系建模能力，從而改善特征的辨別性來提高網(wǎng)絡(luò)檢測的魯棒性。網(wǎng)絡(luò)通過大量數(shù)據(jù)訓(xùn)練來提取目標(biāo)的特征信息，從而獲取目標(biāo)所在位置來代替CFAR 檢測。網(wǎng)絡(luò)的具體實現(xiàn)過程見本文第2 節(jié)。

結(jié)果模塊：多普勒處理后的RD 矩陣經(jīng)過檢測模塊后，得到僅含目標(biāo)的距離多普勒圖。

2 檢測網(wǎng)絡(luò)

為了逐像素預(yù)測RD 圖中是否包含目標(biāo)，本文采用了具有編碼和解碼結(jié)構(gòu)的U 型網(wǎng)絡(luò)作為雷達(dá)檢測網(wǎng)絡(luò)的主體框架。在此主體網(wǎng)絡(luò)的基礎(chǔ)之上，本文引入了自注意力模塊建模雷達(dá)信號間的關(guān)系。其中，U-Net 主體框架的實現(xiàn)過程在2.1 節(jié)中詳細(xì)介紹，自注意力模塊的網(wǎng)絡(luò)結(jié)構(gòu)在2.2 節(jié)中詳細(xì)介紹。

2.1 基于U-Net的雷達(dá)目標(biāo)檢測網(wǎng)絡(luò)

U-Net 網(wǎng)絡(luò)廣泛應(yīng)用于計算機(jī)視覺中圖像語義分割等領(lǐng)域，并獲得了良好的效果。具體來說，采用U-Net 網(wǎng)絡(luò)作為雷達(dá)目標(biāo)檢測網(wǎng)絡(luò)的主要原因如下：1）U-Net 網(wǎng)絡(luò)主要由編碼和解碼部分構(gòu)成，編碼結(jié)構(gòu)可以使用任意的網(wǎng)絡(luò)結(jié)構(gòu)，解碼結(jié)構(gòu)使整體網(wǎng)絡(luò)更加完善，能夠提高網(wǎng)絡(luò)對目標(biāo)特征的擬合程度；2）該網(wǎng)絡(luò)可采用端到端的方式，對雷達(dá)數(shù)據(jù)進(jìn)行逐單元預(yù)測，輸入與輸出的尺寸相同，因此可以靈活地應(yīng)用于多種雷達(dá)信號檢測場景中；3）與全卷積網(wǎng)絡(luò)（FCN）［15］相比，該網(wǎng)絡(luò)有更長距離的殘差連接，其可以保留雷達(dá)回波數(shù)據(jù)的多尺度原始數(shù)據(jù)信息，從而應(yīng)對弱目標(biāo)的尺寸變化，同時其能夠有效地防止網(wǎng)絡(luò)的梯度消失。

U-Net 網(wǎng)絡(luò)主要包含兩個部分：編碼器和解碼器。1）編碼器，用于對數(shù)據(jù)進(jìn)行特征提取。具體來說，編碼器中包含4 個下采樣模塊，每個模塊包含1 個最大池化層，2 個卷積層，其卷積核為3×3、步長為1、填充為1，從而得到不同尺度的特征信息j，j∈{2，3，4，5}。每個模塊都進(jìn)行卷積層提取特征，并使用最大池化層進(jìn)行下采樣。4個模塊輸出4個尺度的特征j，從而更好的應(yīng)對目標(biāo)的尺度變化。2）解碼器，用于獲取與輸入數(shù)據(jù)尺寸相同的輸出。解碼部分包含了4 個上采樣模塊，融合特征信息i，i∈{6，7，8，9}。具體來說是對特征信息5 進(jìn)行上采樣模塊處理。其利用線性插值法對每一層數(shù)據(jù)進(jìn)行原尺寸的兩倍填充，得到上采樣特征信息6。同時對該上采樣特征信息6 和其對應(yīng)層下采樣的特征信息4 進(jìn)行殘差連接，之后經(jīng)過一個1×1 卷積層將通道數(shù)縮小至一半，恢復(fù)到和特征信息4一樣的通道數(shù)，從而更好地保留原始雷達(dá)多尺度數(shù)據(jù)信息。相似地，經(jīng)過4 次上采樣操作，得到特征融合特征信息9，最終輸出與輸入相同尺度的目標(biāo)位置預(yù)測得分圖輸出。圖中每個值被視為輸入RD 圖中對應(yīng)位置是否包含目標(biāo)的概率，因此該輸出可用于預(yù)測RD 圖每個位置是否包含目標(biāo)。這使得U-Net 在雷達(dá)目標(biāo)檢測過程中，效果優(yōu)于普通CFAR 檢測以及基于滑窗的深度檢測器。U-Net 網(wǎng)絡(luò)框架如圖3所示。

圖3 U-Net網(wǎng)絡(luò)框架

2.2 自注意力模塊

為了建模多個映射空間的雷達(dá)信號自注意力關(guān)系，本文采用了多頭并行自注意力模塊。其中，并行的多個自注意力單元用于在不同的映射空間建模雷達(dá)信號的自注意力關(guān)系。最后，自注意力模塊整合多頭注意力單元的結(jié)果，從而獲取更加豐富的自注意力關(guān)系。

具體來說，每個注意力單元先采用點積的形式，計算Q和K的注意力。由于Q和K來自相同的輸入，因此該注意力記為自注意力。該自注意力機(jī)制的優(yōu)點在于，網(wǎng)絡(luò)對信息長期依賴關(guān)系有著更強(qiáng)的捕捉能力。

而對于單個注意力單元其結(jié)果如圖4所示，將輸入X送進(jìn)3 個卷積層，得到Q、K、V三個向量。用Q中每一個向量與K中每一個向量計算點積，即score=Q·KT。score中包含Q中每個元素和K中每個元素之間的注意力。將score與V進(jìn)行點積，即對Q中每個元素，根據(jù)其與V中所有元素的注意力值對V中所有元素進(jìn)行累加得到Z。

圖4 單個注意力單元

最終，自注意力模塊將h個并行的注意力單元所獲得的結(jié)果進(jìn)行了拼接，得到了網(wǎng)絡(luò)的最終輸出。其網(wǎng)絡(luò)框架如圖5所示。

圖5 自注意力模塊

自注意力模塊主要包括多頭通道注意［16］、正則化（Layer Normalization,LN）和多層感知器（Multilayer Perceptron,MLP［17］）。

加入自注意力模塊的雷達(dá)信號檢測網(wǎng)絡(luò)VUNet 如圖6 所示。VU-Net 網(wǎng)絡(luò)在U-Net 網(wǎng)絡(luò)基礎(chǔ)上，將特征信息輸入到自注意力模塊中，得到輸出特征信息i，i∈{6，7，8，9}，再將其與對應(yīng)的上采樣數(shù)據(jù)進(jìn)行拼接。其可以在多個尺度建模雷達(dá)信號的自注意力信息，捕捉更加豐富的雷達(dá)信號關(guān)系，從而提升雷達(dá)信號特征的辨別性，進(jìn)而提升雷達(dá)信號檢測的精度。

圖6 VU-Net網(wǎng)絡(luò)框架

3 實 驗

3.1 數(shù)據(jù)集構(gòu)建

本文生成的測試U-Net 網(wǎng)絡(luò)和傳統(tǒng)CFAR 檢測所需要的雷達(dá)回波數(shù)據(jù)，由線性調(diào)頻波（LFM）脈沖調(diào)制，其載波工作在3 GHz 載波上，脈沖寬度為50 μs，調(diào)頻帶寬為10 MHz，同時添加高斯白噪聲。

為了更好地證實VU-Net 網(wǎng)絡(luò)的優(yōu)越性，本文數(shù)據(jù)產(chǎn)生與RadCNN 網(wǎng)絡(luò)實驗同等量級的數(shù)據(jù)量，訓(xùn)練4 000 組帶有目標(biāo)的距離多普勒矩陣，根據(jù)目標(biāo)設(shè)定的距離和速度信息找到其所在的矩陣中位置，將其設(shè)置為標(biāo)簽1，其余沒有目標(biāo)的點設(shè)置為標(biāo)簽0。將數(shù)據(jù)送到網(wǎng)絡(luò)里訓(xùn)練。

對于測試集本文產(chǎn)生2 000 組帶有目標(biāo)的距離多普勒矩陣，對于標(biāo)簽設(shè)置方法和訓(xùn)練集設(shè)置方法一致。驗證集則是在信噪比為7 背景下仿真2 000 組帶有目標(biāo)的距離多普勒矩陣，用來消融實驗。

同時對測試集的數(shù)據(jù)進(jìn)行CFAR 檢測。為驗證U-Net網(wǎng)絡(luò)的優(yōu)越性，本文設(shè)置10組不同信噪比的噪聲背景，將CFAR檢測后的結(jié)果，與U-Net網(wǎng)絡(luò)和VU-Net網(wǎng)絡(luò)的檢測結(jié)果進(jìn)行對比。

3.2 評估指標(biāo)

針對如何判定雷達(dá)目標(biāo)預(yù)測的準(zhǔn)度，本文用兩個評估指標(biāo)，分別是Precious（P）精確度：反映系統(tǒng)正確判定1 的樣本中真正的1 的樣本的比重；Recall（R）召回率：反映系統(tǒng)正確判定為1 的樣本占總的1 的樣本的比重。兩個評估指標(biāo)的計算公式如下：

式中，True Positive（TP）、False Negative（FN）作為評估標(biāo)準(zhǔn)。其中True Positive（TP）為類別為1 的樣本被系統(tǒng)正確判定為類別1 的比例；False Negative（FN）為類別為1 的樣本被系統(tǒng)誤判定為類別0 的比例；False Positive（FP）表示類別為0 的樣本被系統(tǒng)誤判定為類別1的比例。

3.3 損失函數(shù)

本文采用的是Dice 損失函數(shù)［18-19］。Dice 用于計算兩個樣本的相似度。其計算公式為

Dice損失的計算公式如下：

當(dāng)Y為預(yù)測數(shù)據(jù)，Z為真實標(biāo)簽時，最小化損失函數(shù)可以驅(qū)動網(wǎng)絡(luò)去增加Y與Z的Dice值，從而增加Y與Z交集，使得預(yù)測數(shù)據(jù)更加接近于真實標(biāo)簽。

3.4 參數(shù)驗證

因為多頭在多個映射空間建模雷達(dá)信號間的深度關(guān)系，所以多頭數(shù)h在本文提出的方法中是個至關(guān)重要的參數(shù)，通過在驗證集上的實驗確定了參數(shù)h的數(shù)值，實驗結(jié)果如圖7所示。

圖7 參數(shù)h驗證結(jié)果

由圖7可以看出，隨著h的增大，準(zhǔn)確率P先是增大，而后減小，因為當(dāng)多頭數(shù)過大時，網(wǎng)絡(luò)會學(xué)到冗余信息，從而使網(wǎng)絡(luò)過擬合。召回率R在h等于4 后，隨著h的增大，R的增長不明顯。因此，綜合準(zhǔn)確率P與召回率R，選定多頭數(shù)h等于4，可以獲得相對較好的檢測性能。所以在實驗中，h均設(shè)置為4。

3.5 實驗結(jié)果與分析

基于自注意力機(jī)制的U-Net 網(wǎng)絡(luò)的輸入與輸出的尺寸相同。本文在圖8 可視化了信噪比為10的噪聲背景下多普勒處理后的雷達(dá)數(shù)據(jù)，以及網(wǎng)絡(luò)的輸出的目標(biāo)位置預(yù)測得分圖。

圖8 不同網(wǎng)絡(luò)檢測后的可視化結(jié)果

從圖8 可以看出，多普勒處理后的RD 數(shù)據(jù)經(jīng)過VU-Net 網(wǎng)絡(luò)，濾除噪聲，將目標(biāo)清晰地展現(xiàn)在RD 圖上。網(wǎng)絡(luò)能夠精準(zhǔn)地預(yù)測和定位目標(biāo)的位置。而U-Net 網(wǎng)絡(luò)因其沒有添加自注意力機(jī)制，RD 數(shù)據(jù)特征學(xué)習(xí)不夠深入，U-Net 網(wǎng)絡(luò)只學(xué)習(xí)到矩陣信息的空間特征，會使目標(biāo)點的附近單元的信息特征學(xué)習(xí)不準(zhǔn)確，造成假目標(biāo)現(xiàn)象，從而造成其單元延伸。而自注意力模塊根據(jù)數(shù)據(jù)驅(qū)動的方式建模輸入信號中任意兩個信號間的關(guān)系，來獲取RD 矩陣中具有辨別性的深度語義特征從而提高網(wǎng)絡(luò)的全局關(guān)系建模能力，使其檢測更加精確。因此U-Net 網(wǎng)絡(luò)檢測后的目標(biāo)在其附近距離、多普勒單元會有延伸，致使目標(biāo)檢測不夠精確。相比于U 型網(wǎng)絡(luò)，CFAR 檢測器檢測出的RD 圖，不僅在目標(biāo)附近會有距離和多普勒單元上的延伸，同時還會有一些虛警現(xiàn)象。

對于實際場景中，本文采用海軍航空大學(xué)信息融合研究所劉寧波等人對海探測的公開數(shù)據(jù)集［20］。通過Matlab 將其一個周期內(nèi)的雷達(dá)回波數(shù)據(jù)進(jìn)行讀取，其距離-方位圖如圖9所示。

圖9 實測海雜波數(shù)據(jù)

從圖9 可以看出，海雜波分布極不均勻，且分布也處于未知狀態(tài)，以第800 方位為例，讀取回波信號，同時添加雷達(dá)回波數(shù)據(jù)，如圖10所示。

圖10 添加目標(biāo)后的海雜波數(shù)據(jù)

如圖10 所示，目標(biāo)信雜比設(shè)置為10 dB，雖然該處的目標(biāo)有明顯的增強(qiáng)，但是強(qiáng)雜波的干擾依然存在。對此，本文設(shè)置信雜比8 dB、10 dB、12 dB三組不同信雜比數(shù)據(jù)，將其送入網(wǎng)絡(luò)，得到的雜波抑制實驗結(jié)果如圖11所示。

圖11 雜波干擾下的檢測效果

由圖11可以看出，在強(qiáng)雜波背景下，該網(wǎng)絡(luò)可以有效地抑制雜波，使得目標(biāo)信號功率得到明顯增強(qiáng)。同時為了進(jìn)一步驗證基于自注意力機(jī)制的U-Net網(wǎng)絡(luò)的優(yōu)越性，實驗進(jìn)行了10組不同信噪比背景下的目標(biāo)檢測，其準(zhǔn)確率P和召回率R在不同網(wǎng)絡(luò)和信噪比中的檢測效果如圖12和圖13所示。

圖12 4種方法在不同SNR下的準(zhǔn)確率

圖13 4種方法在不同SNR下的召回率

圖12、圖13 所示U-Net 網(wǎng)絡(luò)在檢測概率上明顯優(yōu)于CNN 檢測器和CFAR 檢測器，特別是在回波信號干擾能量大的背景下，用傳統(tǒng)CFAR 檢測會出現(xiàn)大量的漏警現(xiàn)象，導(dǎo)致檢測概率會比較低，同時CNN 網(wǎng)絡(luò)雖然一定程度上改善了CFAR 檢測器檢測目標(biāo)和噪聲所帶來的巨大誤差，但是因其網(wǎng)絡(luò)沒有考慮區(qū)域間的相關(guān)性，網(wǎng)絡(luò)捕捉回波信息的不足，其檢測概率也略低。

同時VU-Net在信噪比1到5的背景下，其準(zhǔn)確度的衰減程度要低于CFAR 檢測，VU-Net 網(wǎng)絡(luò)檢測不會因信噪比越來越低從而導(dǎo)致網(wǎng)絡(luò)的檢測準(zhǔn)確度迅速下降。證明了VU-Net網(wǎng)絡(luò)對雷達(dá)回波數(shù)據(jù)有著良好的魯棒性。而U-Net 的準(zhǔn)確度在信噪比為1 到10 的背景下要低于VU-Net。因此證明了VU-Net網(wǎng)絡(luò)在對信息長期依賴關(guān)系有著更強(qiáng)的捕捉能力，同時自注意力機(jī)制模塊提高U-Net 的全局關(guān)系建模能力，從而改善特征的辨別性,增強(qiáng)其魯棒性。證明了基于自注意力機(jī)制的U-Net 網(wǎng)絡(luò)在弱目標(biāo)的雷達(dá)檢測能力的優(yōu)越性。

4 結(jié)束語

對于雷達(dá)目標(biāo)檢測，傳統(tǒng)方法是用各種CFAR來進(jìn)行目標(biāo)檢測，但是對于弱目標(biāo)的雷達(dá)檢測，其信噪比低，目標(biāo)散射截面積小是其檢測的難點。然而通過CFAR 模式判斷目標(biāo)是否存在，不能很好地滿足弱目標(biāo)的檢測。對此本文采用U-Net 網(wǎng)絡(luò)來代替?zhèn)鹘y(tǒng)恒虛警檢測，通過分別在信噪比為1到10 的低信噪比的背景下來進(jìn)行實驗，其結(jié)果表明U-Net 網(wǎng)絡(luò)相對于CFAR 檢測效果有著較好的提升，同時在U-Net 網(wǎng)絡(luò)中加上自注意力機(jī)制后的檢測性能要高于U-Net 網(wǎng)絡(luò)。本文所提的網(wǎng)絡(luò)模型，其后續(xù)可在復(fù)雜環(huán)境背景下進(jìn)行深入研究，來進(jìn)一步提高網(wǎng)絡(luò)模型的泛化能力和魯棒性。