用于海上监视的定向感知检测变压器，采用分布式声学传感技术

《Optical Fiber Technology》：Direction aware detection transformer for maritime surveillance using Distributed Acoustic Sensing

　　• 一种双重分支的MDVMD-Frangi策略能够抑制海面杂波，并增强船舶尾流的纹理特征。
• STAD主干网络将时间和空间的卷积分解开来，保持了尾流的不对称性，并将参数数量减少了27%。
• DAVFLoss通过惩罚航向错误来减少四个象限检测中180度方向反转的误报警。

1. 引言
海上安全和贸易保护越来越依赖于监控非合作船只的能力。随着全球航运网络的扩张，参与走私、非法转运以及非法、未报告和不受监管捕鱼活动的暗船可以通过关闭AIS、欺骗位置或在恶劣天气条件下操作来规避监视[1]。在这种情况下，仅凭存在检测是不足的。需要连续的四个象限航向信息来重建轨迹，并支持对徘徊、异常会合和规避行为的识别[2]。现有的非合作监控方法仅部分满足这一需求。SAR可以通过Radon变换特征或Kelvin尾流几何形状来估计船只的运动学，但在高海况下，重复访问周期、退相干和杂波会限制连续实时跟踪[3],[4]。光学遥感受到夜间和云层覆盖的限制，而基于AIS的分析在IUU捕鱼或徘徊期间仍然容易受到欺骗和故意关闭的影响[2],[5]。

分布式声学感知（DAS），基于相位敏感的光学时域反射测量（??-OTDR），通过使用海底光缆作为密集的虚拟传感器阵列，为广域海上监控提供了一种被动的选择[6],[7]。像DAShip这样的大型标注数据集已经实现了数据驱动的DAS目标检测[8]。然而，由于单个海底光缆记录的是一维的空间范围，而船舶尾流在瀑布图中呈现为非线性和各向异性的时空模式，因此详细分类船舶航向仍然具有挑战性。为了解决这个问题，我们使用RT-DETR作为基线检测器，并提出了时空各向异性解耦检测变换器（STADETR），如图1所示。其主要贡献如下：
• 物理驱动的双重分支信号增强策略：引入了一种结合多维变分模态分解（MDVMD）和Frangi滤波的预处理方案，以在信噪比较低（SNR）的情况下抑制低频海洋波噪声，同时增强船尾流的纹理特征。
• 时空各向异性解耦（STAD）特征提取架构：受CSP启发的STAD主干网络将各向同性卷积分解为平行的时间和空间分支，使检测器能够用更少的参数表示尾流的演变和纤维方向传播。
• 方向感知的多焦损失（DAVFLoss）：在多焦损失中加入航向拓扑惩罚，使得相反象限的预测比相邻象限的混淆受到更强的惩罚，从而降低了180度方向反转误报警的实际成本。

在DAShip货轮上的实验表明，STADETR的mAP（平均精度）达到了95.91%，与经过相同MDVMD-Frangi预处理后的RT-DETR相比提高了1.35个百分点。结合召回率、mAP（95%以下）、GFLOPs（每秒浮点运算次数）和参数结果，这些发现表明所提出的架构在保持模型紧凑性的同时提高了基于DAS的航向检测性能。

下载：下载高分辨率图像（629KB）
下载：下载全尺寸图像

图1. STADETR的示意图。

2. 相关工作
2.1. 船只检测和航向识别
本手稿的第一部分确立了连续四个象限航向感知作为监控非合作海上目标的关键要求。现有的海上监控方法为此提供了有用的但不完整的支持。基于SAR的尾流分析可以从Kelvin尾流几何形状推断出船舶的航向和速度，但其实际应用受到卫星重复访问周期、海面杂波以及高海况下性能下降的限制[9]。光学遥感对光照和云层覆盖敏感，而基于AIS的异常检测只有在船只保持应答器激活时才能揭示可疑行为[2],[10]。这些限制促使人们寻找一种被动、连续且不受能见度或合作性约束影响的感知方式。

2.2. 分布式声学感知在海洋领域的应用
分布式声学感知（DAS）通过将海底光缆转换为密集的被动声学阵列提供了这样的解决方案。船只引起的声学和水动力扰动可以在DAS瀑布图中生成特征性的U形或V形轨迹，这使得在先前的研究中实现了船只检测、定位和轨迹评估[11],[12]。然而，大多数现有的海洋DAS研究仍然侧重于存在检测或粗略的轨迹跟踪。从单个光纤DAS系统中进行详细航向识别的研究还不够充分，尽管这对预防走私巡逻、监控暗船和异常导航分析直接相关。

2.3. 对象检测模型：从CNN到Transformer
现代对象检测器为提取这些DAS轨迹模式提供了一条可能的途径。YOLO风格的CNN检测器适用于实时推理，但它们的局部感受野不天然适合跨越大时空区域的长时间船舶尾流[8],[13]。基于DETR的架构通过自注意力建立全局上下文关系，RT-DETR通过混合编码和IoU感知的查询选择提高了实时检测效率[14],[15]。然而，直接将通用检测器应用于DAS瀑布图并没有明确解决时间和空间的各向异性物理维度问题，也没有解决相反航向错误的高实际成本问题。这种差距促使了STADETR框架的提出，该框架结合了物理驱动的预处理、时空各向异性解耦和方向感知损失设计，用于详细的海上航向检测。

3. 方法
本节描述了STADETR的三个组成部分，如图2所示：物理约束的双重分支预处理、时空各向异性解耦（STAD）主干网络和方向感知的多焦损失（DAVFLoss）用于航向感知检测。
在本研究中考虑的海洋应用测试系统中，前端感知组件是由DAS设备查询的海底光缆，而不是像相机这样的光学成像传感器或单独部署的水听器阵列。具体来说，DAShip数据源使用了Silixa的iDAS系统，从部署在中国珠海市Guishan岛和Sanjiao岛之间的海底光缆中收集应变响应[8]。光缆提供了分布式感知孔径，而DAS查询器将沿电缆的相位扰动转换为时空振动记录。随后的处理链将这些记录转换为瀑布图样本，增强微弱的船舶尾流纹理特征，并执行航向感知检测。

下载：下载高分辨率图像（2MB）
下载：下载全尺寸图像

图2. 所提出框架的概览。

3.1. 基于MDVMD和Frangi过滤的双重分支数据预处理
原始的DAS信号???(??,??)包含目标引起的振动以及由海洋波浪产生的低频环境噪声。这种噪声会掩盖瀑布图中微弱的船尾流纹理特征。因此，STADETR使用了一种双重分支增强策略，结合了频域去噪和空间形态学增强。
双重分支预处理是根据DAS船尾流特征的物理形成机制设计的。在DAS瀑布图中，微弱的船舶经过表现为一个时空轨迹，其斜率反映了沿光缆的尾流传播，而其局部纹理包含由相对船舶纤维运动引起的类多普勒的不对称振动。MDVMD因此抑制了宽频、低频的海浪杂波，而Frangi滤波增强了窄密的船尾流纹理结构和具有航向识别的相位变化振动轨迹。
第一分支应用多维变分模态分解（MDVMD）进行自适应去噪。与容易发生模态混合的经验模态分解（EMD）不同，VMD通过变分公式将一维时间序列???(??)分解为??个本征模态函数（IMFs）?????(??)，每个本征模态函数都有一个中心频率????[16],[17]。约束问题是（1）
min{????},{????}?{??∑??=1∥????[(???(??)+???????)??????(??)]??????????????∥2
s.t.??∑??=1?????(??)=???(??)
其中（???(??)+???????)??????(??)表示用于提取单边谱的分析信号（通过希尔伯特变换），?????????????用于将每个模态的频谱中心调整到基带。在优化过程中引入了二次惩罚因子和拉格朗日乘数，并使用交替方向乘子法（ADMM）迭代更新模态分量??????(??)和中心频率????：
（2）
?????+1???(??)=????(??)?∑??≠????????(??)+???(??)2
（3）
????+1??=∫∞0???∣??????(??)∣2
????∫∞0∣??????(??)∣2
这种Wiener滤波结构自适应地去除了与海洋波背景噪声相关的低频模态，通常是第一个模态??1，并重建了去噪后的波形??????????。
第二分支增强目标尾流的形态。在DAS瀑布图中，船舶经过通常表现为连续的线性或曲线形纹理。因此，使用基于Hessian矩阵的Frangi滤波来增强纹理结构[18]。对于二维时空图像???(??,??)中的每个像素，Hessian矩阵??定义如下：
（4）
??=[?????????????????????]=[??2??????2??2????????2????????2??????2]
设??的特征值为??1和??2，且|??1|≤|??2|。对于明亮的纹理在暗背景上，正交曲率较大（??2?0），而沿着纹理的曲率接近零（??1≈0）。然后定义船舶性函数????如下：
（5）
?????(??1,??2)={0,????????2>0
exp?(??2??2???2)?(1?exp?(???22???2)),?????????????????????????
其中???=|??1||??2|用于区分斑点状和线性结构，而??=√??21+??22用于抑制平坦背景区域中的响应。两个分支的输出被合并为????????????????=??????????????????(??????????,???????????????????)，为检测器提供了去噪的振动信息和增强的尾流纹理。图2-A中的比较显示，预处理使纹理特征更易于追踪，同时保留了高频振动成分。

下载：下载高分辨率图像（770KB）
下载：下载全尺寸图像

图3. 基于CSP的时空各向异性解耦模块架构。

3.2. 时空各向异性解耦（STAD）主干网络
DAS瀑布图是一个时空矩阵，其中水平轴??和垂直轴??代表不同的物理维度和采样密度。因此，1秒的时间间隔并不等同于10米的空间间隔。对这个平面应用标准的3 × 3各向同性卷积会导致对称的感受野，这可能会削弱物理可解释性，错过长尾流结构，并引入多余的参数。为了使模型架构与这种各向异性相适应，STAD结合了Cross Stage Partial（CSP）网络的梯度流效率[19]和各向异性卷积[20]。如图3所示，STAD模块将标准的??×??卷积分解为两个平行分支。时间分支使用1×??核来捕捉振动演变，包括类多普勒的变化，而空间分支使用??×1核来模拟沿光缆的传播。给定输入特征图??∈???×??×??，该操作为：
（6）
?????????????=???(??????(???????????1×???(??)))
????????????????=???(??????(?????????????×1?(??)))
随后，来自双重分支的特征沿通道维度合并，并通过1 × 1卷积实现跨维度信息交互和特征聚合：
（7）
??????????=???????????1×1?(??????????????????(?????????????,????????????????))
这种解耦设计允许在通道级别融合之前分别学习DAS数据中的时间和空间模式。用1×??+??×1结构替换??×??卷积可以支持更大的核（如1 × 7和7 × 1），同时减少参数。这扩大了长持续时间尾流的有效感受野，并提高了实时海上监控的计算效率。

3.3. 方向感知的多焦损失（DAVFLoss）
在航向检测任务中，基线网络RT-DETR[15]使用的多焦损失（VFL）[21]旨在缓解密集对象分布中正负样本不平衡的问题：
（8）
?????????(??,??)={????(???log?(??)+(1???)?log?(1???)},
if??>0
?????????log?(1???),
if??=0
最近的损失方法如Slide Loss[22]、SlideVarifocalLoss（SVL）[23]和MALoss[24]改进了困难样本的检测，但它们没有区分不同航向错误的物理严重性。在海洋轨迹分析中，例如将东北方向到西南方向的轨迹分类为西南方向到东北方向，比相邻象限的混淆更具破坏性，因为它可能会反转推断出的运动方向。
为了减少这些180度方向反转的误报警，DAVFLoss在VFL中加入了航向拓扑约束。通过为每个航向类别定义一个角度向量?????，从真实类别???????和预测类别?????????????之间的关系构建了一个不对称的惩罚项：
（9）
?????????????????????(??,??,???????,?????????????)=??????(??,??)????(???????,?????????????)
???(???????,?????????????)=1+??????(?????????????∈???(???????))?(1???)??????????
其中??是方向感知权重调制函数，???(?)是指示函数，??是惩罚系数，默认设置为2.0。???(????当前的损失设计对最具破坏性的180°反向移动施加了最重的惩罚，而连续的小角度回归则留待未来需要更精细角度注释和时间几何约束的工作来研究。4. 实验通过基线比较、模块级别比较、消融研究、类别级别分析和定性弱信号验证来评估STADETR在真实世界海洋DAS数据上的表现。4.1. 数据集和评估指标本研究首先使用公开可用的分布式声学传感货船子集（DAShip Freighter）进行模型训练和评估。经过严格的数据清洗和过滤后，共获得了11,954个高质量样本。为了确保数据分布的客观性，数据集被随机划分为训练集、验证集和测试集，比例为6:2:2。对于分类任务，根据船舶的实际运动轨迹，定义了四个高价值的航向象限类别：东北至西南（EN-WS）、东南至西北（ES-WN）、西北至东南（WN-ES）和西南至东北（WS-EN）。鉴于本研究的走私预防动机，主要的定量评估集中在货船航向检测上。因此，关于跨类别的辅助泛化实验以及类别级别结果分析将在后面报告，以便支持而不是中断以货船为中心的实验叙述。评估使用了标准的COCO风格检测指标：精确度（P）、召回率（R）、在IoU阈值为0.5时的平均精度（mAP@50）以及在更严格IoU阈值下的平均精度（mAP@50-95）。报告了GFLOPs、模型参数和每秒帧数（FPS）以表征计算成本和实时可行性。进一步使用类别级别的航向比较来检查四个航向象限的性能是否保持一致。根据DAShip数据源，DAS记录是从2023年11月14日到2024年3月27日期间在中国珠海市桂山岛到三角岛铺设的海底光缆中收集的[8]。监测区域的水深约为5-15米，光缆的有效感应段约为8.5公里。在此期间，中国南部沿海地区经历了自然变化的气象条件，包括东北季风、多云和轻微降雨天气、沿海雾或低能见度事件以及从微风到强风的天气[25],[26],[27],[28],[29]。因此，数据集反映了自然变化的环境背景噪声，而不仅仅是单一理想的天气条件。此外，DAShip指出，海底光缆感知到的船舶尾流模式同时受到船舶速度、水深和船舶与光缆之间的交叉角度的影响。尽管当前数据集是从一条直线海底光缆路径中收集的，并没有独立覆盖多种光缆拓扑结构，但其交叉角度的多样性为评估不同船舶光纤几何关系下的鲁棒性提供了实际基础。原始的DAS采集系统的时间采样分辨率为1 kHz，空间分辨率为4 m，DAShip通过将样本时间分辨率降低到10 Hz，从1分钟的光缆记录和1公里的光缆段构建每个图像样本[8]。因此，数据集要求在选定的光缆段内清晰地再现船舶引起的尾流或发动机振动的时间空间连续性，但同时也明确包括了具有挑战性的低信噪比（SNR）条件。特别是，DAShip指出，慢速移动的船舶产生的尾流信号较弱，容易被波浪噪声掩盖，并进一步提供了背景波浪样本集来帮助区分船舶通过和环境干扰。这些特点与本文的预处理动机一致，其中MDVMD抑制低频海浪噪声，Frangi滤波在STADETR执行航向检测之前增强了尾流的波纹形状。下载：下载高分辨率图像（378KB）下载：下载全尺寸图像图4. RT-DETR被选为基线模型，因为它在精确度（P）和召回率（R）方面优于YOLO系列，利用全局自注意力捕捉了持续时间较长的DAS船舶尾流特征。表1. 与基线模型的比较实验。#方法P (%)R (%)mAP 50 (%)FPS1YOLOv8n89.1689.7794.20494.122YOLOv8s88.3990.2494.10165.293YOLOv11n88.2088.0992.96476.064YOLOv11s89.2989.4294.25274.715YOLOv12n86.3587.7892.16295.416YOLOv12s90.4287.8494.17177.247YOLOv13s89.8989.1394.30101.368RTDETR-r1892.5591.8094.2792.614.2. 基线模型比较与分析首先将RT-DETR与轻量级YOLO系列检测器进行比较，包括YOLOv8、YOLOv11、YOLOv12和YOLOv13变体。结果如表1和图4所示。YOLO模型提供了更快的推理速度，YOLOv8n达到了494.12 FPS，但其精确度和召回率低于RT-DETR-r18。YOLOv13s获得了YOLO系列中最高的mAP@50，为94.30%，其精确度和召回率分别为89.89%和89.13%。RT-DETR-r18获得了可比较的mAP@50（94.27%），同时具有更高的精确度（92.55%）和召回率（91.80%）。如图4所示，这种平衡使RT-DETR成为DAS尾流检测的合适基线，在这种情况下，长时间的空间特征和漏检比单纯的最大帧率更为重要。4.3. STADNet的比较验证下一个实验通过在同一框架下将两个主要架构更改——STAD特征提取器（STADBlock）和DAVFLoss——与代表性的主干模块和损失函数进行比较。详细结果见表2。在特征提取方面，STADBlock与CFBlock、EVA、CSC、LGLB、VSSDBlock等其他模块进行了比较。图5中的分布显示，STADNet在准确性和效率之间取得了良好的平衡。其解耦设计比各向同性的轻量级模块（包括PlainUSR中的RepMBConv [30]、Transformer和CNN对齐模块如SCTNet [31]以及LWGANet [32]中的分组注意力机制）更直接地映射了DAS数据的时间和空间不对称性。与BEVANet [33]中的EVA、ASCNet [34]中的CNCM和CSSC、VSSD [35]、Mobile U-ViT [36]中的LGLB、Golden Cudgel Network [37]中的GCConv、ESC [38]中的ConvAttn和ESCBlock以及Converse2D [39]相比，STAD以较低的计算成本针对对角线尾流运动学。在损失函数比较方面，DAVFLoss与Varifocal Loss、Slide Loss及其变体进行了评估。在不增加参数的情况下，DAVFLoss将mAP@50-95从82.41%提升到了82.98%，并达到了mAP@50的94.78%。这些结果支持在分类目标中使用航向拓扑先验，特别是180度反向移动的惩罚。下载：下载高分辨率图像（464KB）下载：下载全尺寸图像图5. AP@50与GFLOPs的比较（气泡大小∝参数）。STADNet（红色交集）在42.8 GFLOPs的情况下达到了95.91%的准确率，优于LGLB、EVA、CSSC等。表2. 比较实验。类型方法参考P (%)R (%)mAP 50 (%)mAP 50-95 (%)GFLOPs (G)参数 (M)空白单元ResNet18RTDETRr18[15]94.5892.8194.5682.4157.019.87空白单元CFBlockSCTNet [31]89.3585.6288.9472.6052.616.27空白单元RMBCPlainUSR [30]92.7389.1092.7775.5852.615.41空白单元EVABEVANet [33]93.0289.5092.9978.2448.814.50空白单元CNCMASCNet [34]93.4091.4393.4876.3064.519.71空白单元CSSCASCNet [34]92.5490.2193.0476.9659.919.49特征LWGABlockLWGANet [32]91.3988.8491.8476.2944.713.32提取GCConvGolden Cudgel Network [37]81.5673.5378.0357.8752.615.41空白单元Converse2DConverseBNet [39]90.9588.5591.4174.9241.312.40空白单元LGLBMobile U-ViT [36]93.0692.2893.7578.8051.615.03空白单元ConvAttnESC [38]64.2551.1854.9737.2842.616.38空白单元ESCBlockESC [38]92.9089.1292.3377.2053.818.01空白单元VSSDBlockVSSD [35]94.1389.8693.7180.1751.914.97空白单元STADBlock我们的95.1392.4495.7782.2242.814.42空白单元VarifocalLosssvfl [21]94.5892.8194.5682.4157.019.87空白单元SlideLossssl [22]93.0291.8493.8383.2357.019.87LossEMASlideLossemasl [22]93.1189.9893.3179.7557.019.87FunctionSlideVarifocalLosssvsl [23]94.1491.3894.1875.6257.019.87空白单元EMASlideVarifocalLossemasvsl [23]93.2191.8994.0978.1457.019.87空白单元MALossmal [24]94.0492.1494.2180.6857.019.87空白单元DAVFLoss我们的94.8192.4294.7882.9857.019.87备注：用STADNet替换基线主干网络使mAP50提高了1.21%，并将参数数量减少了27.43%，从19.87M减少到14.42M。因此，k×1+1×k核设计在保持对多斜率尾流轨迹敏感性的同时，改善了准确性和紧凑性之间的平衡。DAVFLoss进一步提高了检测的可靠性，精确度为94.81%，召回率为92.42%，表明可以在不增加模型大小的情况下融入尾流不对称性的线索。表3. 消融研究。#处理的数据STADDAVFLP (%)R (%)mAP 50 (%)mAP 50-95 (%)GFLOPs (G)参数 (M)1–––92.5591.8094.2773.4257.019.872?––94.5892.8194.5682.4157.019.873??–95.1392.4495.7782.2242.814.424?–?94.8192.4294.7882.9857.019.875???94.8693.0295.9182.8442.8↓14.42 ↓备注：添加MDVMD-Frangi预处理在mAP50-95上产生了最大的单步增益，从73.42%提升到82.41%。这表明在进行主干网络和损失函数优化之前，物理特征增强是低SNR DAS航向检测的必要第一步。4.4. 消融研究和机制分析表3中的消融研究量化了预处理、STAD和DAVFLoss的贡献。随后在表5中报告了类别级别的结果和跨船舶类别的补充结果，以保持主要消融思路集中在模块贡献上。实验2表明，双重分支预处理主要改善了严格的定位，而不仅仅是松散的检测重叠：mAP@50略微增加到94.56%，而mAP@50-95从73.42%增加到82.41%。这支持了MDVMD-Frangi增强作为后续航向感知检测基础的作用。实验3显示了预处理后的STAD的效果。模型达到了mAP@50的95.77%，并将参数数量从19.87M减少到了14.42M，减少了27.43%。这一结果与不对称的1×??和??×1核的预期作用一致：在表示尾流斜率的同时减少了计算负担。实验5整合了所有模块，达到了最高的mAP@50为95.91%，召回率增加到93.02%，同时保持了14.42M的紧凑参数数量。图6中的混淆矩阵进一步表明，DAVFLoss有助于在相似的尾流形态对应于相反运动方向时抑制错误的相反航向警报。与实验2中的RT-DETR + MDVMD-Frangi相比，完整的STADETR将mAP50从94.56%提高到了95.91%，将GFLOPs从57.0G减少到了42.8G，减少了参数数量从19.87M减少到了14.42M，并提高了召回率从92.81%提高到了93.02%。因此，消融研究支持了所提出模块对准确性和效率的联合贡献。在报告紧凑的类别级别表之前，以下小节定义了如何在四个象限任务中解释航向错误。这将后续的货船和四个船舶结果与相同的错误拓扑联系起来。下载：下载高分辨率图像（351KB）下载：下载全尺寸图像图6. STADETR的混淆矩阵。4.5. 航向错误拓扑和海岸干扰讨论由于本研究针对四个象限的航向检测，因此航向错误是在任务的定义航向类别的拓扑结构中进行分析的，而不是作为连续的角度回归残差。让???(???????,?????????????)表示真实航向类别和预测航向类别之间的循环类别距离。相应的拓扑角度错误可以表示为????????????????=90°?min?(???(???????,?????????????),4????(???????,?????????????))根据这个定义，四个象限的检测器有三种可解释的错误级别，如表4所总结的。这种表述并不声称连续的航向角度估计；相反，它提供了一种在任务上一致的方式来区分相邻象限的偏差和完全相反的航向反转。在这个拓扑结构中，图6中的混淆矩阵不仅被解释为分类总结，也被解释为角度错误结构。相邻象限的混淆代表了在模糊类别边界附近的主要残差误差类型，而相反象限的混淆对轨迹链推理最为有害。因此，DAVFLoss的设计专注于抑制180°反转，而表5中的类别级别的精确度、召回率、????????50和????????50?95值用于检查四个象限类别之间是否保持了航向一致性。表4. 基于拓扑的四个象限检测任务中航向错误的解释。预测关系拓扑错误解释相同象限0°正确航向类别相邻象限90°边界或小偏差混淆相反象限180°反向航向错误海岸干扰是基于DAS的海洋监控的另一个重要限制。在近海场景中，浅水反射、波浪破碎、基于海岸的机械振动以及多艘船舶之间的重叠可能会削弱、分割或扭曲船舶尾流波纹。MDVMD-Frangi分支减轻了广泛的低频杂波，并增强了波纹形状的尾流，而STADETR改进了对各向异性尾流结构的检测。然而，对复杂海岸干扰的中级RT-DETR + MDVMD-Frangi设置主要将????????50?95的指标提高了81.14%，而完整模型则进一步提升了检测精度和定位鲁棒性。这些结果支持了该技术在多个领域的适用性，其主要应用重点仍然是货船走私预防监控。总的来说，货船和另外四类船舶的测试结果补充了消融研究：预处理增强了弱信号的可见性，STAD改进了精度与效率之间的平衡，DAVFLoss有效减少了方向性严重的错误。

4.6. 对真实世界中弱DAS信号的定性验证
从拖船、高速船、货船和油轮类别中选取了具有代表性的弱信号样本。每组数据对比了原始DAS图像、经过MDVMD-Frangi处理的增强图像、RT-DETR检测结果以及Grad-CAM++的响应，还有经过预处理后的STADETR检测结果和Grad-CAM++的响应。图7和图8中的定性比较显示了不同船舶类别之间的相似物理特性。在原始DAS图像中，弱信号轨迹部分被宽频低频海浪背景和碎片化的垂直干扰所掩盖。经过MDVMD-Frangi处理后，背景变得更加平坦，尾迹的形态更加清晰，为航向检测提供了更可靠的输入。

图7. 拖船和高速船的真实世界弱信号验证示例。第1-2行对应拖船样本，第3-4行对应高速船样本。

图8. 货船和油轮的真实世界弱信号验证示例。第1-2行对应货船样本，第3-4行对应油轮样本。
检测结果和Grad-CAM++的反应进一步表明，STADETR将响应主要集中在尾迹区域，而不是模糊的背景波动上。与原始信号的RT-DETR相比，整个处理流程产生了更精确的检测结果，并且在增强的尾迹脊线附近出现了更集中的热图激活。这些定性观察结果与消融研究和四类船舶的测试结果一致，表明MDVMD-Frangi和STADETR流程在弱DAS场景中保留了多普勒效应的不对称性和轨迹传播特征。

5. 结论
本研究提出了基于DAS的船舶航向检测器STADETR，它结合了物理信号增强与时空深度表示学习技术，适用于非合作式海上监控。MDVMD-Frangi预处理在低信噪比背景下增强了弱尾迹的可见性，STAD核心算法以较少的参数捕捉了各向异性的长时程尾迹特征，DAVFLoss减少了四个象限任务中180度航向逆转的影响。定量分析显示，STADETR在货船子集上的????????50指标达到了95.91%，在包括拖船、高速船、货船和油轮在内的四类船舶子集上的????????50指标达到了94.71%。这些结果表明该算法在航向检测精度和推理效率之间实现了良好的平衡。
当前框架仍然是一个四象限检测器，不能估计连续的航向角度。未来的工作应该考虑更精细的角度注释、时间几何约束、沿海难样本、多光纤阵列信息以及时间动作识别（TAR）模型，以支持连续航向偏差的估计和更高级别的行为分析，例如船只间的徘徊和非法转移行为。

CRediT作者贡献声明：
黄煜文：撰写、审稿与编辑、资源获取、资金筹集。
张海峰：撰写初稿、验证、方法论设计。
钟远明：数据调查与整理。
袁世月：形式化分析、数据整理。
单春：监督指导、资金筹集。

黄煜文 | 张海峰 | 钟远明 | 袁世月 | 单春