LHR-YOLO：基于改进YOLO11的SAR图像小目标船舶检测方法

《PLOS One》：LHR-YOLO: A SAR small-target ship detection method based on improved YOLO11

　　

合成孔径雷达（Synthetic Aperture Radar, SAR）船舶目标检测在海上交通监控和海洋环境监测中具有重要应用价值。然而，由于船舶目标尺寸小、海洋背景复杂以及斑点噪声干扰等挑战，现有方法在小目标检测场景中仍存在精度不足的问题。针对这一问题，研究人员提出了一种基于YOLO11的高分辨率检测算法LHR-YOLO。在Stem阶段，引入高斯–拉普拉斯边缘增强与高斯滤波机制，有效改善对微小船舶目标的浅层特征感知。在Backbone中，通过融合通道混洗（channel shuffling）、重参数化卷积（re-parameterized convolution）和特征聚合策略，设计了改进的C3k2模块，以增强多尺度特征表示。同时，在Neck–Detect阶段集成高频感知、空间依赖建模和高分辨率检测头，以进一步提高极小目标的定位精度。实验结果表明，LHR-YOLO在HRSID和SSDD数据集上的mAP分别达到71.59%和73.40%。与YOLO11n相比，LHR-YOLO在HRSID上将AP_s从53.95%提高到60.53%，增加了6.58个百分点。这些结果验证了该算法在复杂SAR海洋场景中检测微小船舶的有效性，并为高精度海上目标监测提供了技术支持。源代码可在https://github.com/LRYTH/LHR-YOLO获取。

合成孔径雷达（Synthetic Aperture Radar, SAR）作为主动式微波遥感系统，具有全天时、全天候观测能力，在海上交通监视、海洋环境监测、灾害监测和资源探测等领域具有不可替代的应用价值。传统的恒虚警率（Constant False Alarm Rate, CFAR）方法通过统计建模海杂波并自适应设置阈值来实现船舶检测，但真实海面回波具有明显非平稳性，容易导致检测阈值偏移；在近岸和港口等复杂环境中，强散射体与背景叠加会破坏统计一致性，造成虚警或漏检。此外，CFAR主要依赖幅度信息，缺乏空间结构和上下文特征建模能力，对弱小目标和低信噪比目标检测性能有限。

随着深度学习的发展，基于卷积神经网络的检测方法逐渐成为主流，但现有方法在SAR小目标检测场景中仍存在不足。首先，网络输入阶段通常采用标准卷积进行下采样，缺乏对高频边缘信息的显式建模，斑点噪声进一步干扰边缘表示，使目标结构细节在特征提取初期就被削弱。其次，现有特征金字塔融合多依赖逐像素操作，难以协同建模高频细节信息与跨层空间依赖，小目标特征在多层传递过程中逐渐稀释甚至被淹没，判别信息难以保留。此外，不同通道和不同层级特征之间的交互融合机制较为单一，限制了特征表示的丰富性和判别力。近岸区域中船舶与岸线结构都可能表现为亮散射点，边界模糊、对比度不稳定，进一步增加了目标轮廓学习的难度。公共数据集中船舶尺度分布不均，小尺度船舶占比较高，反复下采样和高层特征投影会削弱其空间信息，导致定位误差和漏检。

针对上述问题，研究人员基于YOLO11框架提出了LHR-YOLO算法，从输入、融合和特征表示三个层面进行系统优化。在输入阶段设计边缘感知增强Stem（EES-Stem），利用高斯–拉普拉斯（LoG）边缘增强与高斯平滑约束改善浅层结构细节表示；在特征融合阶段构建频率–空间协同特征金字塔网络（FSC-FPN），通过高频感知和跨层空间依赖建模增强小目标特征的跨层保留能力；在特征提取阶段设计重参数化混洗聚合模块（RSA-Block），结合通道混洗、结构重参数化和多阶段聚合提升复杂背景下的特征交互与鲁棒表示能力。

研究人员为开展研究用到的主要关键技术方法包括：采用HRSID数据集（包含5604幅裁剪SAR船舶图像、16951个标注目标，按7:1:2划分为训练集3922幅、验证集561幅、测试集1121幅）作为主实验数据集，并使用SSDD数据集（共1160幅SAR图像，按约7:1:2划分）进行辅助验证。模型使用随机梯度下降（SGD）优化器训练200轮，损失函数由CIoU边界框回归损失、二元交叉熵分类损失和分布聚焦损失（DFL）组成。关键技术包括：①EES-Stem引入LoG算子与高斯滤波实现边缘增强和噪声抑制；②FSC-FPN基于离散余弦变换（DCT）及其逆变换（iDCT）设计高频感知模块，并采用局部空间依赖建模实现跨层特征交互；③RSA-Block融合通道混洗、结构重参数化卷积（RepConv）和一次性聚合（OSA）结构；④引入高分辨率检测头提升极小目标定位精度。

### 消融实验

在HRSID数据集上的模块级消融实验显示，单独引入EES-Stem使AP₅₀从91.11%提升至91.29%，AP₇₅从68.13%提升至69.47%，说明EES-Stem主要改善了定位精度。单独引入FSC-FPN使AP_s从53.95%提升至58.22%，提升4.27个百分点，证明其对小目标特征判别贡献最大。单独引入RSA-Block使mAP、AP₅₀、AP₇₅分别提高0.66、1.06和0.89个百分点，同时AP_s从46.64%提升至53.01%。将三个模块组合后，LHR-YOLO的mAP和AP_s分别达到71.59%和60.53%，其中AP_s较YOLO11n提高6.58个百分点。不过，完整模型的大目标指标并非所有配置中最高，说明改进效果在不同目标尺度上并不均匀，这与算法主要面向小目标检测的设计目标一致。

### 与代表性方法的比较

在HRSID数据集上，研究人员将LHR-YOLO与YOLOv5、YOLOv6、YOLOv8、YOLOv9、YOLOv10、YOLO11、YOLO26以及ATSS、GFL、TOOD、RTMDet等方法进行对比。所有模型在相同实验协议下从零训练。结果显示，LHR-YOLO的mAP达到71.6%，分别超过YOLOv5n、YOLOv8n和YOLO11n约4.6、5.0和3.5个百分点；其AP_s为60.5%，超过YOLOv5n和YOLOv8n约5.4和6.3个百分点。在SSDD数据集上，LHR-YOLO的mAP达到73.4%，超过YOLO11n和YOLO26n分别1.0和1.8个百分点；AP_s达到68.8%，超过YOLO11n和YOLO26n分别0.5和1.5个百分点。与基线YOLO11n相比，LHR-YOLO的参数量由2.6M增加到4.9M，检测精度提升的同时带来了额外的计算开销，主要来源于高分辨率检测头以及EES-Stem、FSC-FPN和RSA引入的滤波、跨尺度交互和特征聚合操作。

### 场景化FP/FN定量分析

为补充聚合指标的不足，研究人员在近岸、离岸、密集目标和低对比度四类困难场景中进行了假阳性和假阴性定量分析。预测结果使用IoU阈值为0.70的非极大值抑制处理，在置信度阈值0.25下评估，预测与真值框IoU不低于0.50时视为真阳性。结果表明，LHR-YOLO在所有四类场景中均降低每幅图像的假阴性数量并提高召回率，但同时也增加了每幅图像的假阳性数量并降低了精确率，表现为召回率与精确率之间的权衡。召回率提升在近岸、密集目标和低对比度场景中更为明显，离岸场景中两种模型的差异相对较小。

### 讨论与结论

研究人员认为，LHR-YOLO的改进来源于输入、融合和表示三个层面的协同作用：EES-Stem在输入阶段保留边缘线索并施加显式平滑，FSC-FPN在颈部保持高频细节并对齐跨尺度空间信息，RSA-Block利用通道混洗、RepConv和OSA原则重组并聚合骨干特征。这些技术的价值不在于单独提出新算子，而在于针对SAR小目标检测任务进行分阶段适配和协调集成。研究结论表明，针对SAR图像小目标检测中强噪声干扰、边缘结构模糊以及小目标特征在多尺度传输中易丢失的问题，基于YOLO11提出的LHR-YOLO在HRSID和SSDD数据集上均取得了性能提升，尤其在小目标检测方面效果显著。该方法仍存在局限性：高分辨率检测分支和特征增强模块使参数量和计算负担高于YOLO11n；设计和评价主要针对小目标；完整模型在模块级消融中未取得最优的大目标结果；用于FP/FN分析的场景组来自HRSID且可能存在重叠。未来工作将聚焦更细粒度的组件级分析、轻量化设计以及部署优化，在保持检测性能的同时增强实用性。