《雷达学报杂志》发表论文赏析

基于自监督强化学习的SAR距离压缩域舰船目标检测方法

来源:雷达学报杂志2026年第2期北京时间:

作者:谭向东, 冷祥光, 熊博莅, 计科峰, 匡纲要

单位:国防科技大学电子科学学院 长沙 410073;

摘要:合成孔径雷达(SAR)具备全天时全天候的海上监视能力。在距离压缩域(RCD)直接进行舰船目标检测,可规避计算密集的成像步骤(如距离徙动校正与方位压缩),从而显著提升处理效率,适用于近实时或实时处理场景。然而,现有检测方法存在固有局限:一方面,传统恒虚警率(CFAR)检测器依赖于固定统计模型,在复杂海杂波环境下表现不佳;另一方面,深度学习方法普遍存在依赖已标注数据、解释性弱以及相位信息利用不充分等问题。为此,该文提出了一种基于自监督强化学习的SAR距离压缩域舰船目标检测框架,通过融合雷达电磁散射模型与深度强化学习,在提升检测性能的同时增强模型的解释性与泛化能力。该框架具有以下特点:(1)引入统计模型约束的奖励信号生成机制,实现了无须人工标注的自监督学习;(2)设计双模态特征融合模块,能够联合表征幅度与相位信息,有效保留舰船的多普勒特征;(3)提出轻量化的智能体模块,集成轻量化Q网络、自适应特征增强模块和鉴别器网络,在降低计算复杂度的同时满足实时处理需求,并借助对抗性训练增强模型的鲁棒性。实验结果表明,所提方法在近20 k×20 k像素的大场景SAR距离压缩域数据上的平均推理时间仅为31.75 s,计算量仅为二维卷积神经网络的23.81%。在复数RCD数据集上,该方法的F1分数与召回率分别达到50.72%和54.28%,相较于主流自监督检测方法提升了8.76%和10.45%。该研究首次将强化学习引入SAR距离压缩域舰船检测,通过信号模型与数据驱动学习的结合,为实现稳健的海上监视提供了新思路。

关键词:合成孔径雷达, 舰船目标检测, 深度强化学习, 距离压缩域, 自监督检测方法

基金资助:国家自然科学基金 (62001480, 62471475),湖南省自然科学基金(2024JJ4045),湖南省科技创新计划项目(2024RC3124),青年人才托举工程

2026年2期其他文献查阅:

基于多源信息跨域学习的SAR图像目标检测技术研究进展与展望

基于视觉语言模型的SAR图像目标解译综述

DGS-CapNet:基于空间-频率感知的SAR图像描述模型

基于局部拟合一致性的机载SAR图像与仿真SAR图像匹配方法

基于物理感知频空注意力与运动学约束的半监督视频SAR阴影跟踪

基于自监督强化学习的SAR距离压缩域舰船目标检测方法

基于主散射时间熵的多时相极化SAR盐田区域分类

基于有源干扰机的SAR智能识别对抗方法

联合误导性与逼真度优化的SAR ATR最优对抗样本生成方法

仿真数据辅助的雷达HRRP小样本目标识别方法

自适应PHD-BOF:一种基于低空监视雷达的慢速目标跟踪方法

面向海事雷达目标跟踪的自适应多视野聚焦贝叶斯融合相关滤波器

基于互信息熵-改进PHD协同的非合作双基地雷达目标跟踪

雷达变脉宽脉冲串与接收失配滤波协同设计方法

一种面向机械旋转变极化雷达的蝙蝠超分辨改进算法

地球同步轨道SAR运动舰船探测跟踪定位方法与实验验证

众源数据辅助的高分辨率SAR影像控制点自动提取与校正方法研究

基于国产商业SAR卫星的城区建构筑物层析三维成像

基于高分三号SAR图像的海面起伏场准线性反演

基于机器学习的Sentinel-1 SAR多普勒频移风、浪响应建模与海流反演

填文献完整题目 获取完整文献

填写需求
联系方式
注:学术顾问会在1小时内联系您,请留意!