合成孔径雷达图像旋转目标检测方法：基于小波域特征增强与KAN预测头

《Sensors》：WE-KAN: SAR Image Rotated Object Detection Method Based on Wavelet Domain Feature Enhancement and KAN Prediction Head Mingchun Li, Yang Liu, Qiang Wang and Dali Chen

　　

合成孔径雷达(Synthetic Aperture Radar, SAR)图像在军事侦察和灾害监测等关键应用中发挥着至关重要的作用，这些应用对检测精度要求极高。因此，旋转目标检测受到越来越多的关注，通过预测物体方向角，它相比于水平边界框具有优势，特别是在SAR场景中的细长结构（如船舶和桥梁）。然而，SAR图像中的相干斑噪声和复杂背景等挑战仍然阻碍了高精度的检测。为了解决这一问题，研究人员提出了WE-KAN，这是一种基于小波特征和Kolmogorov-Arnold Network (KAN)预测的新型旋转目标检测框架。首先，通过将从SAR灰度图像中提取的小波域特征纳入骨干网络来增强特征提取。利用提出的注意力模块融合提取的小波域特征和图像特征。其次，考虑到角度预测的敏感性，研究人员设计了一种基于KAN的角度预测器。该架构为精确的角度回归提供了强大且专门的解决方案。最后，为了实现精确的旋转边界框回归，研究人员采用了一种结合旋转交并比(Rotated Intersection over Union, RIoU)和高斯距离损失函数的联合损失函数。这些设计提高了模型对噪声的鲁棒性及其对精细物体结构的感知能力。在大规模公开RSAR数据集上的评估显示，在相同的训练计划和骨干网络下，该方法实现了70.1的AP50和35.9的平均精度均值(mean Average Precision, mAP)，显著优于现有基线方法。这证明了该方法在复杂SAR场景中对密集、小尺寸和高方向性物体的有效性和鲁棒性。

合成孔径雷达(Synthetic Aperture Radar, SAR)作为一种先进的有源微波遥感成像系统，凭借其全天时、全天候的成像能力，在军事侦察、海洋研究及灾害评估等领域具有不可替代的价值。与依赖光照和易受天气影响的光学图像不同，SAR图像能够捕捉地表目标的几何和散射特性，满足高精度检测需求。然而，SAR图像固有的相干斑噪声和复杂背景给目标特征提取带来了严峻挑战。此外，SAR场景中目标（如船舶、桥梁、车辆）通常具有随机朝向和密集排列的特点，传统的水平边界框检测方法由于重叠度高、定位精度差，难以准确描述细长或任意方向的目标，导致检测性能受限。因此，开发能够适应SAR成像特性、有效抑制噪声并精确回归旋转角度的检测框架，成为当前计算机视觉与遥感领域的重要研究课题。

针对上述问题，研究人员开展了一项旨在提升SAR图像旋转目标检测精度和鲁棒性的研究。研究提出了WE-KAN框架，该框架集成了小波域特征增强机制和基于Kolmogorov-Arnold Network (KAN)的预测头，并设计了联合损失函数。该研究的重要意义在于，它首次将KAN网络引入SAR旋转目标检测的角度回归任务中，并利用小波变换的多分辨率分析特性来增强模型对噪声的抵抗能力，从而在复杂背景下实现对高密度、小尺寸及细长目标的高精度检测。该论文发表在《Sensors》期刊上。

为开展本研究，研究人员主要运用了以下关键技术方法：首先，采用小波散射系数提取技术，对SAR图像进行多方向的小波变换，以获取对噪声鲁棒且富含结构信息的小波域特征；其次，构建双分支骨干网络，分别处理原始SAR强度图像特征和小波特征，并通过基于注意力机制的WE-Attention模块进行多尺度特征融合；再次，设计基于KAN的角度预测头，利用其可学习的样条函数来建模角度回归中的强非线性映射关系；最后，设计结合旋转交并比(RIoU)损失和高斯距离(Gaussian Distance, GD)损失的联合边界框回归损失函数。实验所使用的样本队列来源于大规模公开基准数据集RSAR（包含95,842张图像及183,534个标注实例，涵盖飞机、桥梁、汽车、港口、船舶和坦克六类目标）以及RSDD-SAR数据集（包含7,000张切片及10,263艘船舶实例）。

研究结果部分，研究人员首先在RSAR数据集上进行了全面的性能评估。实验表明，在ResNet50骨干网络和1倍训练计划下，WE-KAN方法达到了70.1的AP50和35.9的mAP，显著优于Rotated-FCOS、S2A-Net、O-RCNN等现有基线方法。特别是在细长目标（如桥梁）的检测上，AP50提升了近2-6个百分点，验证了方法在复杂背景下的结构感知能力。其次，研究人员通过类别级性能分析发现，WE-KAN在港口（大尺寸复杂结构）和坦克（小尺寸密集目标）等挑战性类别上也表现出优越的性能，整体AP50较基线提升3.4点。在RSDD-SAR数据集的验证中，WE-KAN在近岸场景（InS）中取得了66.7的AP50，优于多数对比方法，证明了其在不同SAR数据集上的泛化能力。此外，通过参数敏感性分析，研究人员确定了联合损失函数中的平衡系数τ=0.5时性能最优，且小波变换配置（J=1, L=8）在性能与计算效率之间取得了最佳平衡。可视化分析进一步证实，引入KAN预测头能显著改善角度回归精度，而小波特征增强则有效提升了细长目标的边界框贴合度。

讨论部分，研究人员深入分析了WE-KAN各组件的贡献及模型特性。消融实验证明，小波特征增强、KAN预测头和联合损失函数三者协同作用，分别解决了噪声抑制、角度非线性回归和边界框几何约束的问题。尽管WE-KAN在精度上取得了显著提升，但其参数量（57.1M）和计算复杂度略高于基线模型，导致推理速度降至26.3 FPS，这在资源受限场景下是一个权衡因素。然而，使用轻量化骨干网络（如ResNet18）可在保持较高精度（68.3 AP50）的同时维持接近35 FPS的推理速度，满足实时性需求。研究人员指出，当前方法在处理低对比度目标、异质散射目标以及跨域SAR图像泛化方面仍存在局限，未来工作将聚焦于轻量化小波特征提取、自适应小波配置以及利用上下文语义线索以进一步提升复杂场景下的检测鲁棒性。

综上所述，本研究提出了一种新颖的SAR图像旋转目标检测框架WE-KAN。通过整合小波域特征增强与KAN预测头，并结合IoU与高斯距离联合损失，该方法有效克服了SAR图像中相干斑噪声干扰及角度回归难的问题。实验结果证实，WE-KAN在RSAR和RSDD-SAR数据集上均取得了_state-of-the-art_的检测性能，特别是在细长目标和复杂背景下的定位精度显著提升。该研究不仅为SAR目标检测提供了新的技术路径，也验证了KAN网络在视觉几何回归任务中的潜力，相关代码和模型已公开以支持后续研究。