基于噪声感知与散射注意力机制的SAR舰船检测新方法NPSA-Net

《IEICE Transactions on Communications》：NPSA-Net: A SAR ship detection method based on noise perception and scatter attention

本刊推荐：针对SAR图像中斑点噪声干扰和复杂海杂波背景下舰船检测精度低的问题，研究人员开展了基于噪声感知与散射注意力的NPSA-Net模型研究。通过设计噪声感知模块动态计算特征图空间方差分布，结合散射注意力模块的多尺度空洞卷积捕获舰船散射特性，在SSDD和HRSID数据集上实现93.02%的精确率和95.41%召回率，为复杂海况下SAR舰船监测提供了高效解决方案。

　　

在海洋监测领域，合成孔径雷达(SAR)凭借其全天候、全天时的主动微波遥感能力，已成为舰船目标检测的核心技术。然而SAR图像固有的斑点噪声（一种具有随机噪声特性的干扰）和复杂海杂波，使得传统恒虚警率(CFAR)检测方法面临巨大挑战——弱散射目标（如小型渔船）的特征易被噪声淹没，而近岸岛屿、礁石与舰船的雷达回波信号高度相似，导致漏检与误检频发。随着海洋经济快速发展与海上安防需求升级，如何在强干扰环境下实现精准舰船检测，成为制约SAR技术推广应用的关键瓶颈。

针对这一难题，发表于《IEICE Transactions on Communications》的论文提出了一种创新解决方案：NPSA-Net。该模型基于RetinaNet框架，通过噪声感知模块(NP)和散射注意力模块(SA)的协同设计，实现了对SAR舰船特征的有效增强与干扰抑制。噪声感知模块通过动态计算特征图通道的空间方差分布，获取斑点噪声对不同通道的影响权重，结合可学习参数矩阵α和β（初始值0.5）实现自适应特征优化。散射注意力模块则采用多尺度空洞卷积（膨胀率=1,2,3）捕获舰船局部细节与全局散射特性，通过并行通道-空间注意力机制强化目标特征表达。最终通过分类回归结构输出检测结果。

关键技术方法包括：1）基于空间方差分析的噪声感知权重计算；2）多尺度空洞卷积特征提取（空洞率1/2/3分别对应局部/中程/全局感受野）；3）双路径注意力机制（通道注意力通过卷积-ReLU-卷积-Sigmoid序列学习通道权重，空间注意力融合平均/最大池化结果生成空间权重）；4）使用SSDD（多分辨率多海况）和HRSID（高分辨率近岸场景）公开数据集，按8:2划分训练测试集；5）采用SGD优化器（初始学习率1e-4，动量0.9，权重衰减1e-4）与Focal Loss+Smooth L1 Loss联合损失函数。

模型架构设计

如Fig.1所示，NPSA-Net在RetinaNet基础上增加红色标注的噪声感知模块（特征预处理阶段）和散射注意力模块（FPN输出端）。原始SAR图像经噪声感知模块预处理后，由ResNet进行基础特征提取，FPN构建多尺度特征，散射注意力模块增强特征后输出检测结果。选择RetinaNet因其结构简单、参数调优复杂度低，利于验证新增模块的有效性。

噪声感知模块机制

Fig.2展示模块细节：对输入特征图各通道计算空间像素标准差形成标准差向量(std₁, std₂,..., std_x)，经BatchNorm2d归一化后与标准差向量逐通道加权，再通过可学习矩阵α、β（Sigmoid映射至(0,1)区间）融合加权特征与原始特征，输出公式为：output=sigmoid(α)×FeatureMap_Weighted+sigmoid(β)×FeatureMap_Original。该设计能抑制高噪声通道干扰并保留舰船特征。

散射注意力模块运作

Fig.3显示模块采用三组3×3空洞卷积（空洞率=1,2,3）构建多尺度分支，通过Concat操作融合特征后，引入并行通道-空间注意力机制：通道注意力学习通道间权重，空间注意力增强目标空间位置特征。最终通过可学习矩阵γ（初始值0.5）平衡新特征与基础特征贡献，输出具有多尺度散射信息的增强特征。

检测性能对比

在SSDD数据集（IoU阈值0.5）上，NPSA-Net精确率达93.02%，较RetinaNet（90.95%）和FCOS（88.75%）显著提升；召回率95.41%，F1分数94.20%优于所有对比模型（Table 1）。在HRSID数据集上，NPSA-Net精确率（73.22%）和F1分数（70.15%）同样领先（Table 2），证明其在高分辨率复杂场景中的优势。

可视化结果分析

Fig.4显示，在大舰场景（首行）中NPSA-Net检测框能精准贴合目标轮廓，而其他模型存在偏移或漏检；多小目标场景（第二行）中NPSA-Net可捕获多数目标；复杂海杂波背景（第三、四行）中能有效区分舰船与干扰。红色箭头标示漏检目标，黄色箭头标示误检目标，凸显NPSA-Net的鲁棒性。

消融实验验证

如Table 3所示，完整NPSA-Net在5000次迭代后精确率（83.09%）、F1分数（88.91%）最高；移除噪声感知模块（NPSA-Net w/o NP）后精确率降至81.43%，移除散射注意力模块（NPSA-Net w/o SA）后降至80.19%，证明两模块均贡献性能提升。Fig.5损失曲线显示完整模型收敛更平稳，而模块移除后曲线波动剧烈，表明协同作用保障训练稳定性。

热力图特征聚焦

通过Grad-CAM生成的热力图（Fig.6）显示：完整NPSA-Net在舰船区域呈现集中高亮响应（首行黄红色聚焦区、次行强红色响应）；移除噪声感知模块后高亮区域分散（首行舰外杂波干扰、次行背景冗余响应）；移除散射注意力模块后舰船响应弱而模糊（首行异常高亮范围、次行特征分散）。可视化验证两模块能协同增强目标特征聚焦。

研究结论表明，NPSA-Net通过噪声感知与散射注意力模块的协同设计，有效解决了SAR舰船检测中的噪声干扰与特征提取难题。在SSDD和HRSID数据集上的实验证明，其精确率、召回率与F1分数均优于主流模型，尤其在复杂海况与小目标检测中展现强鲁棒性。消融实验与热力图分析进一步揭示两模块通过抑制噪声干扰、强化散射特征提升检测性能的机制。该研究为复杂场景下SAR舰船监测提供了高效技术路径，对海洋安全、航运管理等应用具有重要实践价值。需指出的是，对于散射特征极弱的极小目标（如Fig.4次行次列小于10×10像素的舰船），模型检测精度仍有提升空间，未来可进一步优化散射特征提取策略。