一种面向SAR目标检测的双向递归细化融合网络结构及方法

本发明涉及计算机视觉与遥感图像智能解译，特别涉及一种面向sar目标检测的双向递归细化融合网络结构及方法。

背景技术：

1、公知的，合成孔径雷达（synthetic aperture radar，sar）成像具有全天时、全天候、对云雨雾穿透能力强等特点，被广泛应用于海上监视、灾害应急、军事侦察、资源普查与城市安防等领域。随着高分辨率sar数据规模与应用需求的持续增长，面向sar图像的自动目标检测成为遥感智能解译的重要基础能力之一；然而，sar成像机理与光学成像存在显著差异，导致其目标检测面临诸多技术难点：相干成像使sar图像普遍存在斑点噪声，复杂地物散射产生强杂波背景，造成目标区域对比度低、纹理弱、边缘结构不稳定，目标回波易与背景散射混淆；同时实际应用中sar图像内目标尺度跨度大、小目标占比高，且目标形态与散射特征会随成像视角、成像模式发生明显变化，进一步提升了检测难度；因此，如何在强噪声与强杂波背景下实现多尺度尤其是小目标的高精度、鲁棒检测，是sar目标检测领域亟待解决的关键技术问题。

2、目前，sar目标检测普遍采用基于深度学习的目标检测框架，该框架通常由三部分组成：1)、主干网络（backbone）：用于对sar图像进行分层卷积，提取多层次特征；2)、颈部网络（neck）：用于多尺度特征融合，典型方案如特征金字塔网络（fpn）、路径聚合网络（pan）、加权双向特征金字塔网络（bifpn）等；3)：检测头（head），用于输出目标的分类结果与边界框回归参数。其中，多尺度特征融合是决定sar目标检测性能的关键环节，小目标检测依赖高分辨率的浅层特征，而复杂背景下的弱小目标检测又需要高层语义特征增强与跨层细节特征补偿。

3、在现有技术中，多尺度特征融合方案主要包括三类：

4、1)、特征金字塔网络（fpn）：采用自顶向下融合方案，将高层语义特征向低层传递并与横向连接的浅层特征融合，改善了浅层特征语义不足的问题，但对细粒度边缘、散斑纹理等细节信息的再利用能力有限；

5、2)、路径聚合网络（pan）：采用双向融合方案，结合自顶向下的语义传递与自底向上的细节反馈，增强了低层细节向高层的传递效果，但该融合为一次性完成的聚合过程，缺少递归细化机制，对sar图像中存在的语义-细节错配、散斑干扰、尺度变化剧烈等问题的适配性不足；

6、3)、加权双向特征金字塔网络（bifpn）:采用加权/注意力融合方案，通过可学习权重或注意力机制提升融合质量，但在sar检测应用中仍易出现融合后特征冗余或冲突、上下采样带来的信息损失与对齐误差，且多次堆叠融合层会显著增加网络参数与计算开销，提升效果却十分有限。

7、综合来看，现有多尺度特征融合方案在sar目标检测中存在以下显著技术缺陷：1)、跨尺度信息传递不充分，一次性融合难以同时兼顾高层语义特征的增强效果和低层细节特征的保真度；2)、融合细化能力不足，缺少递归细化修正机制，难以充分校正融合误差，导致弱小目标漏检、密集目标粘连、复杂散斑背景下误检等问题；3)、上/下采样过程存在信息损失与对齐误差，传统插值或步长卷积的尺度变换方式易造成细节信息丢失，对小目标与细长目标的检测影响尤为明显；4)、参数开销与检测性能存在矛盾，堆叠大量融合层提升检测精度的同时，会大幅增加网络参数与计算量，不利于工程化部署与边缘端设备应用。

8、针对上述技术问题，亟需提出一种面向sar目标检测的双向递归细化融合网络结构与方法，在控制参数与计算开销的前提下，提升多尺度特征融合质量，增强弱小/密集目标的检测性能，同时降低复杂杂波背景下的误检率，成为本领域技术人员的基本诉求。

技术实现思路

1、本发明的目的是克服现有技术的不足，提供一种面向sar目标检测的双向递归细化融合网络结构及方法。

2、本发明所采用的技术方案是：

3、一种面向sar目标检测的双向递归细化融合网络结构，包括依次级联的主干特征提取模块、双向递归细化融合模块、检测解码与检测头模块，所述双向递归细化融合模块内部集成有动态采样对齐模块与多个重参数化残差增强模块；

4、所述主干特征提取模块，用于对预处理后的sar图像进行分层卷积特征提取，输出由高分辨率层到低分辨率层、低语义信息到高语义信息的多尺度特征图 f2、f3、f4、f5，其中f2为最高分辨率特征图，f5为最高语义特征图；

5、所述双向递归细化融合模块brrf为网络核心模块，以主干特征提取模块输出的多尺度特征图 f2~f5为输入，构建自顶向下的细化传递路径与自底向上的语义回灌路径，输出融合后的多尺度特征集合s3、s4、s5；

6、所述动态采样对齐模块，设置在自顶向下细化传递路径的跨尺度上采样处，针对f5到f4、f4到f3的上采样过程进行可学习对齐；

7、所述重参数化残差增强模块，分布在双向递归细化融合模块的各尺度融合节点，用于对来自不同路径/尺度的特征进行通道对齐、残差增强与噪声抑制，训练期采用多分支结构增强特征表达能力，部署期重参数化为单分支结构，降低推理计算成本；

8、所述检测解码与检测头模块，以双向递归细化融合模块输出的多尺度特征集合为输入，进行目标分类与位置回归，输出目标类别置信度与边界框参数。

9、进一步的，双向递归细化融合模块的双向递归细化融合过程包括自顶向下细化与自底向上回灌两个子过程；

10、所述自顶向下细化子过程为：将高层特征经动态采样对齐模块上采样到下一尺度，使高层特征与低一层特征的网格保持一致，将上采样后的高层特征与同尺度的横向特征输入重参数化残差增强模块进行融合增强，得到该尺度的细化特征，按此方式从f5到f3逐级向下传递，完成所有尺度的细化；

11、所述自底向上回灌子过程为：将自顶向下细化得到的低层细化特征通过下采样进行尺度变换后向高层传递，在每个尺度节点将传递的低层细节特征与该尺度已有特征输入重参数化残差增强模块进行融合，得到回灌后的高层特征，按此方式从f3到f5逐级向上更新，形成从低到高的递归反馈链路。

12、进一步的，所述重参数化残差增强模块包括融合算子f、第一分支a与第二分支b，所述融合算子f用于接收两路不同路径的输入特征x1和x2并进行融合，得到中间特征x；所述第一分支为1×1卷积分支，用于对中间特征x进行通道对齐与线性映射，输出特征a；所述第二分支b为1×1卷积串联重参数化块的分支，所述重参数化块在训练期为多分支卷积/恒等映射组合，在部署期合并为等效单卷积，第二分支b输出特征b；特征a与特征b逐元素相加，得到重参数化残差增强模块的残差增强输出y。

13、进一步的，所述融合算子为逐元素相加算子，所述重参数化块为 repblock重参数化块，所述1×1卷积完成通道降维，repblock在训练期由3×3卷积分支、1×1卷积分支与恒等映射分支组成，训练完成后通过参数融合将repblock重参数化为单分支 3×3 卷积。

14、进一步的，所述动态采样对齐模块针对f5到f4、f4到f3的上采样过程进行可学习对齐，通过学习采样点的偏移与权重，使高层特征精准对齐到低层特征的像素网格，替代传统双线性插值上采样。

15、进一步的，所述检测解码与检测头模块为anchor-free 检测头结构。

16、进一步的，所述多尺度特征图 f2、f3、f4、f5 的分辨率按2倍逐级降低，通道数按2倍逐级增加。

17、一种面向sar目标检测的双向递归细化融合网络检测方法，包括以下步骤：

18、步骤1：获取sar原始图像，对其进行预处理，预处理操作包括幅度归一化、以及可选的对数变换、尺寸缩放/裁剪、数据增强，所述数据增强操作包括多尺度训练、随机裁剪、0~360° 随机旋转，适配sar图像目标检测的任务需求；

19、步骤2：将预处理后的sar图像输入主干特征提取模块，提取不同层级的多尺度特征图f2、f3、f4、f5；所述特征图在空间分辨率上逐级降低、在语义信息上逐级增强，随后输入特征编码与解码模块以完成目标检测；

20、步骤3：将特征图f2~f5输入双向递归细化融合模块，启动双向递归细化融合过程；

21、步骤4：执行自顶向下细化子过程：将高层特征经动态采样对齐模块上采样至下一尺度，与同尺度横向特征共同输入重参数化残差增强模块进行融合增强，得到该尺度细化特征，逐级向下重复操作，得到低层尺度的细化特征；

22、步骤5：执行自底向上回灌子过程：将低层细化特征通过下采样/步长卷积传递到高层，所述下采样采用步长为2的3×3卷积，在各尺度节点经重参数化残差增强模块与该尺度已有特征融合，得到回灌后的高层特征，形成从低到高的递归反馈更新；

23、步骤6：接上一步骤，双向递归细化融合模块输出融合后的多尺度特征集合s3、s4、s5；

24、步骤7：将多尺度特征集合s3、s4、s5输入检测解码与检测头模块，输出目标类别置信度与边界框参数；

25、步骤8：对检测解码与检测头模块的输出结果进行后处理，后处理采用集合预测和一对一匹配机制，得到最终的sar目标检测结果。

26、由于采用如上所述的技术方案，本发明具有如下优越性：

27、1、本发明所述的面向sar目标检测的双向递归细化融合网络结构及方法，通过在自顶向下的跨尺度上采样处设置动态采样对齐模块，通过可学习的采样位置与权重调整，实现高层特征向低层网格的自适应对齐，替代了传统的固定插值上采样方式，有效降低了特征错位与边缘模糊问题，显著提升了小目标、细长目标的定位稳定性，解决了现有技术中采样对齐误差大的问题。

28、2、本发明通过构建自顶向下细化与自底向上回灌的双向递归融合机制，实现高层语义特征向低层的稳定注入、低层细节特征向高层的反向补偿，解决现有技术中跨尺度信息传递不充分的问题，使低层特征具备更强的判别能力，高层特征拥有更精准的定位信息；其中，自顶向下细化用于改善低层“细节有余、语义不足”导致的误检，自底向上回灌用于改善高层“语义有余、定位粗糙”导致的小目标漏检与定位偏差；由此可推导出，本发明在无锚框目标检测情况下，仍能通过更高质量的融合特征s3、s4、s5同时提升分类判别与定位精度，达到提升 sar 目标检测鲁棒性与准确性的发明目的。

29、3、本发明针对sar图像强噪声、强杂波、多尺度的核心特性设计，在ogsod、hrsid公开sar数据集上的实验验证表明，网络在整体检测精度、小目标检测精度、定位精度上均显著优于现有主流算法，且在港区/近岸强散射结构、远海密集目标等复杂场景下，能有效减少误检与漏检；同时该网络可迁移至红外、低照度等噪声强、细节弱的图像目标检测任务，还可通过滑窗推理与重叠融合适配极端大幅宽、超高分辨率sar影像的检测需求，应用场景广泛，具有显著的工程应用价值。