SAR-AIRcraft-1.0：高分辨率SAR飛機檢測識別數據集

王智睿 康玉卓 曾 璇 汪越雷 張 汀 孫 顯*④

①(中國科學院空天信息創新研究院 北京 100094)

②(中國科學院大學 北京 100049)

③(中國科學院大學電子電氣與通信工程學院 北京 100049)

④(中國科學院網絡信息體系技術科技創新重點實驗室 北京 100190)

1 引言

合成孔徑雷達(Synthetic Aperture Radar,SAR)是一種主動式的微波成像系統，它不受光照、云霧和氣候等自然條件影響，具備全天時、全天候對地觀測的能力，已成為遙感領域重要的信息獲取平臺[1]。近年來，隨著遙感成像技術的蓬勃發展和SAR衛星在軌數量的不斷增加，SAR系統獲取數據的數量和質量得到顯著提升，促進了SAR在相關領域的發展和應用[2]。海量的高分辨率數據為SAR圖像精細化理解提供了豐富的數據基礎與支撐[3,4]。

目標檢測和識別是SAR圖像智能化解譯的重要一環。飛機作為SAR圖像中的典型目標，數量較多、種類豐富，具有較大的觀測價值[5]。基于SAR圖像的飛機檢測識別能獲取飛機目標的型號、種類、位置、狀態等信息，可有效輔助重點區域動態監視、態勢分析、緊急救援等應用。因此，利用高分辨率SAR圖像對飛機目標進行檢測識別具有重要的研究意義[6]。

近年來，隨著深度學習理論和技術的發展，基于卷積神經網絡的方法在SAR圖像目標檢測識別領域取得了較大進展[7,8]。在SAR飛機檢測識別方面，Zhao等人[9]提出一種多分支空洞卷積特征金字塔方法，通過建立密集連接來減少冗余信息并突出飛機的重要特征。文獻[10]設計了一個注意力模塊來融合細化低層紋理特征和高層語義特征，進一步提高飛機檢測率。在SAR艦船檢測識別任務中，文獻[11,12]通過直接學習回歸框的位置，來減少對預定義框超參數的依賴，并且進一步實現艦船目標的細粒度識別。海上艦船容易與海面形成強反射的二面角，在SAR圖像中通常呈現為輪廓完整、連通性強的強散射點集合。相比海上艦船，陸地飛機目標尺寸較小，特征不容易提取，散射點之間較為離散[13,14]，準確定位和識別的難度較大。

在實際場景中，SAR飛機檢測識別是一項具有挑戰性的任務。首先，如圖1(a)所示，目標容易受到航站樓和停機坪等周圍背景的干擾，使得具有相似散射視覺屬性的物體被識別為飛機目標，導致出現虛警和漏警的現象[15]。其次，如圖1(b)所示，SAR圖像中飛機由一系列離散的不規則散射中心亮斑組成，呈現出散射強弱不一致的情況，目標容易被分割成多個離散的部件[16]，導致SAR飛機檢測結果的不完整。此外，如圖1(c)所示，在不同的成像角度下，同一目標會呈現出不同的視覺特征，類內差異大，增加了飛機識別的難度[17]。

圖1 SAR飛機檢測識別中的挑戰Fig.1 The challenges in SAR aircraft detection and recognition

針對SAR圖像中背景干擾嚴重和飛機散射點離散問題，本文提出了一種散射感知網絡(Scattering-Aware Network,SA-Net)用于復雜SAR圖像中飛機目標的檢測和識別。一方面，通過上下文引導的特征金字塔模塊來增強全局信息，抑制復雜場景中的強干擾，增強目標的可辨別特征，提高檢測識別的準確率。另一方面，利用散射關鍵點對目標進行定位，設計散射感知檢測模塊將關鍵點的分布特性與神經網絡相結合，實現對回歸框的細化校正，提高目標定位的準確性。為了驗證SA-Net的有效性，本文構建了一個面向大規模復雜場景的SAR飛機數據集，命名為SAR-AIRcraft-1.0。基于該數據集，本文將幾種常用的深度神經網絡模型和SA-Net進行了一系列檢測識別對比實驗。實驗結果表明，SANet方法的mAP0.5指標達到了77.7%，相比其他方法有較大的提升，證明了散射感知方法的優異性能。SAR-AIRcraft-1.0數據集已公開發布在《雷達學報》官網中(https://radars.ac.cn/web/data/getData?newsColumnId=f896637b-af23-4209-8bcc-9320 fceaba19)，為SAR飛機檢測、細粒度識別、檢測識別一體化等不同任務研究提供了數據基礎。

2 數據集信息

目前公開的SAR檢測識別數據集多數以艦船目標為主，如表1所示，其中包含了MSTAR (The Moving and Stationary Target Acquisition and Recognition)[18],OpenSARShip[19],SSDD (SAR Ship Detection Dataset)[20],SAR-Ship-Dataset[21],AIR-SARShip-1.0[22],HRSID (High-Resolution SAR Images Dataset)[23],FUSAR-Ship[24]。相比之下，SAR飛機目標檢測識別數據集較為有限，公開報道的數據集有SADD (SAR Aircraft Detection Dataset)[25]和MSAR-1.0 (large-scale Multi-class SAR image target detection dataset-1.0)[26]。SADD是SAR飛機檢測數據集，采集自TerraSARX衛星，包含2,966張圖像切片。MSAR-1.0是大規模多類SAR目標檢測數據集，包括飛機、油罐、橋梁和艦船4類目標。這些數據促進了神經網絡在SAR飛機目標檢測領域的發展。然而，SADD和MSAR-1.0數據集僅包含飛機目標的位置信息，缺少飛機細粒度類別的標注信息，限制了SAR飛機識別領域的進一步發展。

表1 SAR-AIRcraft-1.0數據集與其他SAR目標檢測識別數據集的比較Tab.1 Comparison between the SAR-AIRcraft-1.0 dataset and other SAR object detection datasets

為了驗證SA-Net方法的有效性、同時促進SAR飛機目標檢測與識別研究的發展，本文構建了一個面向大規模復雜場景的SAR飛機目標公開數據集，命名為SAR-AIRcraft-1.0。該數據集分辨率為1 m，包含4,368張飛機切片，涉及7種細粒度飛機類型，具有場景復雜、類別豐富、目標密集、噪聲干擾、任務多樣、多尺度性的特點，已公開發布在《雷達學報》官網中(數據集下載鏈接，供更多學者免費下載使用，開展進一步的研究。

2.1 基礎信息

SAR-AIRcraft-1.0數據集中所有圖像采集自高分三號衛星，極化方式為單極化，空間分辨率為1 m，成像模式為聚束式。綜合考慮機場規模和停放飛機的數量，數據集主要選用上海虹橋機場、北京首都機場、臺灣桃園機場3 個民用機場的影像數據，包含800×800,1000×1000,1200×1200和1500×1500共4種不同尺寸，共有4,368張圖片和16,463個飛機目標實例。飛機的具體類別包含了A220,A320/321,A330,ARJ21,Boeing737,Boeing787,other，各個類別的實例以及數量如圖2和圖3所示，其中other表示不屬于其余6個類別的飛機實例。此外，該數據集具有以下特點：

圖2 不同類別SAR飛機和光學飛機樣本示例Fig.2 SAR and optical aircrafts of different categories

圖3 各個類別的實例數量Fig.3 The quantity of each type of instances

(1) 場景復雜：數據集包含多個民用機場不同時相的圖像，這些圖像覆蓋面積大，背景中包含了航站樓、車輛、建筑物等設施，增加了數據集場景的復雜性。

(2) 類別豐富：不同于一般的SAR飛機數據集，SAR-AIRcraft-1.0數據集包含了飛機目標的細粒度類別信息。此外，不同類別之間相似的散射表征增加了飛機識別的難度。

(3) 目標密集：一張切片圖像中包含多個飛機目標，如圖1(a)，多個飛機目標停靠在航站樓附近，分布較為密集，目標之間存在互相干擾，影響檢測識別的準確率。

(4) 噪聲干擾：由于SAR的成像特性，圖像中存在著一些相干斑噪聲的干擾，給飛機目標準確檢測和識別帶來一定的挑戰。

(5) 任務多樣：該數據集不僅支持檢測任務，同時包含了類別信息，通過對數據集中飛機目標進行裁剪，得到多類別的目標切片，進而可以實現飛機的細粒度識別。此外，位置和類別信息的存在，使其可以應用在檢測識別一體化任務中。

(6) 多尺度性：該數據集中飛機目標切片的尺寸分布跨度廣。如圖4所示，有一部分目標尺寸在50×50以下，也有一部分飛機目標尺寸在100×100以上，整體呈現出目標多尺度的特點。

圖4 飛機目標的尺寸分布Fig.4 The size distribution of aircraft targets

2.2 標注信息

在實例的標注方面，SAR-AIRcraft-1.0數據集中所有實例目標均使用水平矩形框進行標注，與Pascal VOC格式保持一致。圖5(a)展示了帶標注的目標示例，其中橘色矩形表示標注框，每個矩形左上角名稱表示該目標的類別。每張圖像都有對應的XML文件，如圖5(b)所示，其中每個XML文件包括圖像尺寸大小和實例的詳細信息，如類別和標注框的坐標等。“size”表示切片的長度和寬度，“name”表示飛機類別，“bndbox”表示每個矩形標注框的坐標信息。以圖像的左上角為原點，“xmin”和“xmax”分別表示X坐標的最小和最大位置，“ymin”和“ymax”分別表示Y坐標的最小和最大位置。

圖5 數據集標注示意圖Fig.5 The annotated results in the dataset

在實際訓練過程中，將SAR-AIRcraft-1.0數據集中的圖像按照7∶1∶2比例分為訓練集、驗證集和測試集。數據集包含不同機場的多時相圖像，覆蓋面積大、背景復雜。此外，由于SAR的成像機理，同一場景不同成像角度獲得的圖像也有明顯的差異，這增加了場景的復雜性。因此，該數據集在檢測識別方面具有較大的挑戰性。

3 結合散射感知的SAR目標檢測識別方法

3.1 模型框架和網絡結構

針對背景中存在強散射干擾的問題，本文提出了結合散射感知的SAR圖像飛機目標檢測識別一體化的方法。總體框架如圖6所示，提出的方法基于無錨框(anchor-free)算法的結構，主要由上下文引導的特征金字塔網絡(Context-Guided Feature Pyramid Network,CG-FPN)和散射感知檢測頭(Scattering-Aware detection Head,SA-Head)兩個部分組成。

圖6 提出方法的整體結構Fig.6 The overall structure of the proposed method

在特征提取網絡中，考慮到背景干擾對目標特征的影響，本文提出了改進的特征金字塔模塊用于增強全局信息并減少虛警。通過自適應調整感受野大小，CG-FPN能夠有效結合周圍信息并增強目標的顯著性。

在定位階段，SA-Head結合了散射感知檢測模塊中兩階段級聯回歸，以確保預測的回歸框更加準確。首先，在得到目標的散射關鍵點之后，利用它們的位置來獲得目標粗略回歸框。之后利用散射引導的自適應檢測頭模塊，將粗略回歸框進一步精細定位，得到位置更準確的檢測框。

3.2 上下文引導的特征金字塔網絡

上下文引導的特征金字塔模塊整體結構如圖7所示。假設輸入圖像為I ∈RW×H×3，其中W和H表示輸入圖像的寬度和高度。通過對輸入圖像進行下采樣，得到不同層的特征Pl，該特征的大小為(W/sl)×(H/sl)×C，其中sl=2l表 示第l(l=3,4,5)層特征的下采樣率，C設為256。為了獲取最深層的特征，將特征{P3,P4,P5,P6}壓縮調整(resize)到P7的大小，并通過通道合并(concat)連接起來。

圖7 上下文引導的特征金字塔網絡結構Fig.7 The framework of context-guided feature pyramid network

此外，CG-FPN在融合之后的深層特征上采用不同比率(rate=3,6,12,18,24)空洞卷積[11]，并通過每一層特征的密集連接來聚合多尺度語義信息。如圖7所示，每個空洞卷積的輸出都被添加到復制的輸入特征中，與前一層特征整合后輸入到下一層的空洞卷積層。最后，原始特征經過上采樣后與空洞卷積的輸出特征進行融合，保持原始特征有助于幫助網絡記憶之前的功能，進而得到包含了淺層細節和深層語義信息的特征圖。

除了不同層特征之間的融合，CG-FPN希望引入不同通道特征的交互融合。借鑒SENet通道注意力思想[27]，首先使用全局平均池化[28]來壓縮空間維度以獲得全局信息；之后將每個特征通道的權重經過自適應調整，用以反映不同通道之間的相關性；最后將不同的權重系數與對應原始特征進行相乘，得到修正的特征。

為了獲得更多的語義和全局信息，CG-FPN將注意力特征圖A與特征P7連接起來。在此基礎上，將低分辨率特征與上一層對應的特征融合，生成信息豐富的特征。最后，通過一個3×3卷積層輸出最終的特征圖Tl ∈R(W/sl)×(H/sl)×256，該過程計算如下：

3.3 散射感知檢測模塊

3.3.1 粗略定位

本文提出了一種散射感知檢測頭模塊，它結合散射點的分布關系來解決離散性問題。該模塊包含定位分支和分類分支，如圖8所示，這兩個分支的卷積層是沒有共享的。將特征提取網絡的l(l=3,4,5,6,7)層 輸出特征作為兩個分支的輸入特征。

圖8 散射感知檢測頭的結構Fig.8 The structure of scattering-aware detection head

在定位分支中，Tl首先經過3個3×3的卷積層來獲得同樣尺寸大小的中間特征。然后該特征通過一個256維3×3卷積層和一個18維1×1卷積層來生成偏移域

受DenseBox[29]的啟發，使用中心點的偏移量來得到第1次預測的散射關鍵點S1，其位置為

為了反映飛機散射點之間的位置關系，采用監督學習的方式對飛機目標散射關鍵點的空間位置分布進行回歸更新。散射關鍵點的真值坐標獲取如下[17]：首先利用Harris角點檢測器[30]提取散射強度高的點來反映結構輪廓。之后使用K-Means算法[31]將提取的點分成9個簇，并得到9個聚類關鍵點相對于飛機切片中心點的位置偏移。這個過程可以去除冗余點進而得到規則的結構。其中，本文的飛機切片是根據如圖5所示的真值框(橙色框)進行裁切，對應的XML中包含了真值框的坐標。因此，飛機切片的坐標信息可以通過XML得到，聚類關鍵點的坐標信息可通過XML和位置偏移得到。本文將最終得到的9個聚類中心作為散射關鍵點的真值坐標。這些點體現了飛機的散射強度和結構特征分布，可以為目標的判別提供有效信息。

3.3.2 精細定位

在檢測過程中，本文首先獲取目標的關鍵點坐標，得到其粗略位置。然而，由于散射機制的影響，目標中散射密度較低的組件容易被粗略回歸框遺漏，導致檢測框不夠準確。因此，SA-Head通過精細定位來進一步得到更精確的回歸框。

在分類分支中，特征Tl首先通過3個3×3卷積層以提取原始特征的高層類別語義信息，和定位分支類似，接下來經過一個偏移量為 OF1的可變形卷積層和一個1×1卷積層對目標的類別表征信息進行優化與修正，使得更加關注SAR飛機目標的重要散射部分，提高飛機的顯著性，從而增強分類分支的識別能力。總體而言，散射感知的檢測頭模塊結合了anchor-free框架的特點，利用關鍵點解碼得到目標框。

3.4 損失函數

總的訓練損失函數可以分為4部分：

其中，Lloc1和Lloc2分別是第1個和第2個預測框與目標框真值的損失。Lloc計算如下：

其中，n代表目標Q的真值關鍵點，m代表目標Q的預測關鍵點。在損失函數不斷收斂后，模型將得到很好的訓練精度。

Lcls為分類損失，采用Focal Loss[34]函數，通過調整正負樣本的權重，以緩解樣本不平衡。

其中，μt=0.25和γ=2 為式(10)的參數，(1-ct)γ為調節因子，ct為對應的分類得分。

4 實驗結果分析

在第4節中，首先在SAR飛機檢測、細粒度識別、檢測識別一體化等不同任務中，將提出方法與先進方法進行比較，驗證SA-Net有效性，同時為提供數據集的指標基準。之后，對提出的方法進行消融實驗對比，并詳細地分析了實驗效果，對未來工作進行展望。

4.1 檢測任務

4.1.1 實驗細節

本文選取在ImageNet數據集上預訓練的Res-Net-50[35]來初始化模型。單次訓練的樣本個數設置為8，采用隨機梯度下降算法訓練模型。初始學習率被設置為0.001，在訓練40輪次后下降到0.0001以加快模型的收斂速度。所有實驗均在16 GB NVIDIA Tesla P100 GPU環境下進行。為了進行公平的比較，本文在后續檢測實驗中保持相同的設置。

4.1.2 目標檢測評價指標

為了定量評價算法的性能，本文指標包含準確率P和召回率R，其計算式如式(11)和式(12)所示：

其中，NTP表示正確檢測到的目標數量，NFP表示檢測結果為真，但是真實標簽為負例的虛警。NFN表示檢測結果為假，但是真實標簽為正例的漏警。本文采用 F1值來更完善評估算法的性能，其公式定義如下：

此外，本文采用了準確率召回率曲線(Precision-Recall Curve,PRC)和平均準確率(Average Precision,AP)。通過按照置信度的降序對預測進行排序，在不同的步驟計算準確率召回率對，可以繪制PRC。AP反映了PRC的形狀，可以綜合評價算法的性能。AP指在一組召回率S={0,0.01,0.02,···,1.00}下，最大準確率的平均值，具體計算如式(14)所示：

4.1.3 實驗對比

目標檢測是SAR影像領域的一項基本任務，本文利用SAR-AIRcraft-1.0數據集對幾種通用的基準檢測方法進行了訓練和測試，包括Faster R-CNN(Faster Region Convolutional Neural Networks)[36]、Cascade R-CNN[37]雙階段卷積神經網絡。近年來，一些無錨框單階段檢測方法的設計能夠大大降低網絡對錨框的參數敏感性，因此本文對比了Reppoints[38]經典無錨框方法和一種SAR目標檢測方法SKG-Net[1]。數據利用方面，將所有飛機目標作為正樣本，背景作為負樣本，將所有的飛機目標視為一類。表2展示了不同檢測器下飛機目標的準確率、召回率、F1值、AP0.5和AP0.75指標，從中可以看出，SA-Net在不同閾值下的精度均取得了最高值，體現了方法的有效性。

表2 不同方法的檢測結果(%)Tab.2 The detection results of different methods (%)

在上述檢測方法中，考慮到SAR飛機目標的稀疏性，大多數錨框都是冗余的，無錨框檢測算法在AP0.5上取得了較優異的效果，Reppoints與SKGNet分別達到了80.3%和79.8%。其原因可能在于無錨框方法減少了矩形框內背景雜波的干擾，使得目標語義信息變得更加明確。然而，Reppoints與SKG-Net檢測器結果中的假陽性樣本(虛警)數量相對有錨框方法變得更多，導致檢測準確率下降。在雙階段檢測方法中，具有級聯結構的Cascade RCNN相對于Faster R-CNN進一步提升了平均精度以及各項指標。圖9展示了本文方法和先進方法對比的測試結果可視化，從圖中可以看出，Faster R-CNN、Reppoints和Cascade R-CNN均存在虛警(黃色)和漏警(藍色框)的情形，而SA-Net有效地減少了漏警和虛警的情況，驗證了本文方法較好的檢測性能。

圖9 可視化結果展示Fig.9 The visualization results

4.2 細粒度識別任務

4.2.1 數據描述

本文按照SAR-AIRcraft-1.0數據集中的標注框對實例目標進行了裁剪，得到一系列的實例樣本，對應的具體數量如表3所示。并選擇7類不同的飛機標簽，包括A330,A320/321,A220,ARJ21,Boeing737,Boeing787和other，來進行細粒度識別實驗。

表3 不同類別實例目標的數量Tab.3 The number of instance targets of different categories

4.2.2 細粒度識別評價指標

為了量化細粒度識別任務的性能，本文使用識別準確率作為評估指標。其對應的計算公式如式(15)所示：

其中，NCi和Nall分別代表Ci類別識別正確的樣本數量和樣本總數。

4.2.3 實驗對比

本文采用ResNet-50,ResNet-101,ResNeXt-50,ResNeXt-101[39]和Swin Transformer[40]在SARAIRcraft-1.0數據集上開展了相關實驗。本文選取了訓練集中50%的數據用于模型訓練，對應的細粒度識別結果展示在表4中，從中可以看出ResNet-101的效果優于ResNet-50。ResNeXt系列模型在top-1的識別準確率上均達到了很好的性能。Swin Transformer不僅在top-3上性能最高，而且在大部分類別上達到了最好的識別能力，具有優異的特征學習能力。

表4 細粒度識別結果(%)Tab.4 Fine-grained recognition results (%)

為了進一步定量評估模型性能和顯示識別結果的更多細節，本文繪制了算法模型的混淆矩陣，以顯示不同網絡結構的性能。如圖10所示，對角線上的概率為每個類別正確預測的識別準確率。其中A330,ARJ21和Boeing737的飛機目標識別難度較大，其對應的識別準確率相對較低。此外，Boeing737和Boeing787的圖像較為相似，識別結果中出現了混淆的情況，一定程度上體現了SAR-AIRcraft-1.0數據集的挑戰性。

圖10 混淆矩陣示意圖Fig.10 The confusion matrices for the methods

4.3 檢測識別一體化任務

為了驗證不同深度學習算法的性能，本文選取4種不同方法進行檢測識別一體化的對比實驗，即Faster R-CNN,Cascade R-CNN,Reppoints和SKG-Net，這些方法涵蓋了anchor-based和anchorfree方法。

在實驗過程中，將不同類別的飛機各自視作一類。為了保持數據的原始特征，本文沒有使用任何數據增強，各個算法的檢測性能展示在表5中。在Faster R-CNN方法中，各個類別的mAP0.5為76.1%，mAP0.75為62.2%。這在一定程度上表明，SARAIRcraft-1.0數據集具有一定的檢測難度。首先，不同類別的SAR飛機目標具有相似的結構和大小，目標類別難以區分。另外，由于SAR圖像的散射特性和成像條件差異，同一類別目標可能會產生不同的成像結果，進一步增加了識別的難度。

表5 基于深度學習算法的檢測結果(IoU=0.5)Tab.5 The performance of the algorithms based on deep learning (IoU=0.5)

此外，本文還選擇分割交并比(Intersection over Union,IoU)閾值為0.75的更嚴格指標AP0.75來評價模型，如表6所示。由于融合了全局上下文特征和散射信息，本文提出的SA-Net在mAP0.75上達到了62.8%。此外，每個類別的檢測精度都有一定的差異。例如，與其他類別相比，A320/321在不同算法中的AP0.5和AP0.75性能最好。這主要是因為A320/321的尺寸特殊，機身長度有40多米，很容易區分。對于某些類型的目標，如ARJ21和A220，由于體積較小，獲取的細節特征不夠充分，導致檢測精度較低。

表6 基于深度學習算法的檢測結果(IoU=0.75)Tab.6 The performance of the algorithms based on deep learning (IoU=0.75)

為了直觀地比較各種方法，本文繪制了不同閾值下各種方法的F1曲線，如圖11所示。從圖中可以看出，相比其他先進方法，SA-Net的F1分數在不同置信度下均取得最高值。這表明提出的方法魯棒性較好，在檢測率和召回率之間達到一個很好的平衡。

圖11 不同先進方法的F1曲線Fig.11 F1 curves of different advanced methods

4.4 SA-Net的消融實驗

本文將結合了可形變卷積的FCOS[41]作為基本網絡(Baseline)。并結合不同模塊在SAR-AIRcraft-1.0數據集上進行消融實驗，實驗結果如表7所示。從中發現，提出的不同模塊對檢測效果帶來不同程度的提升。與Baseline相比，CG-FPN模塊在AP0.5指標上提升了0.8%。SA-Net網絡的AP0.5和AP0.75比Baseline分別高出0.8%和0.7%，目標可以實現更精準的定位。

表7 所提方法中各個模塊的影響(%)Tab.7 Influence of each component in the proposed method (%)

為了直觀地對不同模塊進行比較，圖12和圖13展示了對應的F1曲線和PR曲線。從圖12可以看出，SA-Net在AP0.5和AP0.75上取得了最優的結果，且在F1曲線的高置信度區間上達到了最好的性能。本文通過引入SA-Head來對檢測框進行更精準的定位，從圖13可以看出，相比Baseline(藍色曲線)，添加SA-Head模塊的PR曲線(橙色曲線)在AP0.5和AP0.75上均得到了有效提升，表明散射感知檢測模塊能夠提高網絡的檢測性能。此外，本文通過引入CG-FPN來增強全局特征以抑制背景中的散射干擾。圖14展示了一些檢測結果和可視化效果，其中綠色矩形框和黃色圓圈分別表示檢測到的目標和虛警。如圖14(a)所示，受背景中相似建筑物的影響，Baseline中產生了一些虛警。針對這個問題，CG-FPN通過對通道層賦予不同權重來增強特征的上下文連接。為了進行直觀的比較，將分類分支的最后一層特征圖進行可視化。從圖14(c)和圖14(d)可以看出，添加該模塊之后，飛機目標獲取到更多的注意力，實驗結果證明CG-FPN能夠有效地增強目標的顯著性，減少復雜背景下的虛警情況。

圖12 不同模塊的F1曲線Fig.12 F1 curves of different improvements in the proposed method

圖13 不同模塊的PR曲線Fig.13 PR curves of different improvements in the proposed method

圖14 檢測結果和可視化Fig.14 Detection results and visualization

4.5 實驗分析

本文利用不同的檢測算法在SAR-AIRcraft-1.0數據集上進行了一系列實驗，實驗結果證明提出的SA-Net方法具有優越的性能。部分檢測結果如圖15所示，其中綠色矩形框、黃色圓圈、藍色圓圈、紅色圓圈分別表示檢測結果、虛警、漏警、識別錯誤的目標。SA-Net方法中大部分目標都能被準確檢測出來，但是結果中仍然存在一些虛警和漏警的目標。虛警情況主要是由于復雜背景下航站樓附近出現了與飛機相似的散射表征。此外，由于散射條件的變化，飛機一些部件的散射較弱，影響了目標特征的語義完整性，造成了漏警的問題。

圖15 SA-Net的檢測結果Fig.15 Detection results of SA-Net

除了這些問題之外，圖15還存在一些錯誤識別的實例，這些實例用紅色圓圈顯示標出。由于目標尺寸較小和語義特征的缺乏，一些飛機被錯誤地識別為其他類別。一些先驗信息的缺乏，例如飛機長度，導致不同類別之間的正確區分更加困難，總體而言，在SAR-AIRcraft-1.0數據集上進行檢測識別是一項具有挑戰性的任務。當前算法的檢測識別性能還存在一些不理想的情況，性能有待進一步提升。在后續工作中，可以將SAR成像機制和散射特征引入深度卷積神經網絡中，進一步提高算法對SAR-AIRcraft-1.0數據集的檢測識別性能。

5 結語

本文提出了一種結合散射感知的SAR飛機檢測識別方法，通過上下文引導的特征金字塔模塊來增強全局信息，抑制復雜場景中的強干擾，實現特征的有效融合，減少虛警漏警的情況。另外，文中利用散射關鍵點對目標檢測框進行細化校正，有利于提高定位的準確性。為了驗證方法有效性，本文公開了一個高分辨率的SAR-AIRcraft-1.0數據集。該數據集包含了不同類別的飛機目標，具有場景復雜、類別豐富、目標密集、噪聲干擾、任務多樣、多尺度性的特點，可以為模型訓練提供豐富的數據，有利于SAR飛機檢測識別方面的研究。本文將提出的方法和其他深度學習算法在構建的數據集上進行實驗，結果表明所提出方法的有效性。在后續工作中，可以將散射特征信息引入深度卷積神經網絡中，進一步提高檢測識別性能。

附錄

SAR-AIRcraft-1.0：高分辨率SAR飛機檢測識別數據集依托《雷達學報》官方網站發布，數據及使用說明已上傳至學報網站“SAR-AIRcraft-1.0：高分辨率SAR飛機檢測識別數據集”頁面(附圖1)，網址：https://radars.ac.cn/web/data/getData?newsColumnId=f896637b-af23-4209-8bcc-9320fceaba19。

附圖1 SAR-AIRcraft-1.0：高分辨率SAR飛機檢測識別數據集發布網頁App.Fig.1 Release webpage of SAR-AIRcraft-1.0: High-resolution SAR aircraft detection and recognition dataset