摘要
SAR图像中的飞机目标通常具有离散的散射特性、姿态与尺寸的显著变化、背景杂波中的强斑点噪声以及复杂的背景干扰，这些因素共同阻碍了稳定结构特征的提取与精确的目标定位。现有的SAR飞机识别检测方法主要依赖边界框回归与分类技术，未能充分利用目标的结构特征、空间注意力以及频域信息。为解决这些问题，我们提出了一种协同检测框架，该框架将基于不确定性的关键点驱动模块（UAKM）与分数傅里叶卷积核心网络（S-FRConv）相结合。UAKM包含一个中心关键点回归分支，可同时预测关键点坐标与拉普拉斯尺度参数，并通过二维拉普拉斯负对数似然损失来估计不确定性。由此生成的密集不确定性热图被用作空间注意力权重，用于指导基于分布的回归运算及多尺度特征重新加权，且无需任何额外标注。S-FRConv则将分数傅里叶变换嵌入到浅层核心网络层与C2f模块中，从而实现空间-光谱特征的联合建模，有效抑制斑点噪声并提升边缘与方向特征的表示能力。在公开的SAR-AIRcraft-1.0数据集上的实验表明，所提出的方法显著提升了检测性能。对于Nano模型而言，其整体mAP50值从0.810提升至0.867，而mAP 50:95值则从0.637上升至0.655，相比基准方法分别提升了5.7个百分点和1.8个百分点。这些结果证明了将基于不确定性的空间注意力与分数光谱特征增强技术结合用于SAR飞机目标检测的有效性及其通用性。
