基于改进YOLOv5的雷达图像目标检测方法及其在噪声与畸变场景下的性能优化

《Journal of Systems Engineering and Electronics》：Improved YOLOv5-Based Radar Object Detection

本文针对雷达图像存在漫射弱噪声和成像畸变的问题，提出了一种基于改进YOLOv5的目标检测方法。研究人员通过引入坐标注意力（CA）机制进行特征预提取以增强噪声抑制能力，采用可变形卷积处理不规则目标形态，并设计改进的随机加权平均（SWA）方法提升模型泛化性能。实验结果表明，该模型在卫星ISAR图像数据集上mAP0.5达到0.8562，较原YOLOv5提升3.79%，为复杂场景下的雷达目标识别提供了有效解决方案。

　　

随着信息化战争形态的发展，雷达因其全天候、远距离观测非合作机动目标的独特优势，在精确制导、反导遥感等领域扮演着关键角色。然而，雷达图像存在分布未知的噪声、高机动目标成像畸变以及姿态敏感性等固有挑战，导致传统基于光学图像的目标检测方法难以直接适用。现有深度学习算法虽在合成孔径雷达（SAR）图像识别中取得进展，但对逆合成孔径雷达（ISAR）图像的研究仍因公开实测数据集匮乏而受限。更本质的问题在于，雷达图像与光学图像在特征表达上的差异尚未被充分重视，这为高精度目标检测带来了巨大困难。

针对上述问题，上海交通大学与上海无线电设备研究所联合团队在《Journal of Systems Engineering and Electronics》发表论文，提出一种改进YOLOv5的雷达目标检测模型。该研究通过三重创新设计：在骨干网络与颈部网络间嵌入坐标注意力（CA）模块实现噪声环境下的特征预提取，采用可变形卷积适应目标形态畸变，并利用中值加权优化的随机加权平均（SWA）方法提升模型鲁棒性。实验表明，新模型在包含3200张卫星ISAR图像的数据集上（训练集70%、验证集10%、测试集20%）实现了90.17%的精确率（P）和83.97%的召回率（R），显著优于YOLOv8、Faster R-CNN等对比模型。

关键技术方法包括：1）通过坐标注意力机制捕获长程空间依赖关系，利用高度与宽度方向的全局池化生成特征编码（公式1-5）；2）构建可变形卷积网络，通过可学习偏移量Δp_n动态调整卷积核采样区域（公式6）；3）改进SWA算法，采用模型参数中值替代均值以规避局部极值干扰（算法1）。实验环境配置为Windows10系统、RTX2060显卡及PyTorch 1.10.0框架。

3.3 与其他模型的对比实验

与YOLOv8（0.8507）、原YOLOv5（0.8380）、Faster R-CNN（0.8066）和SSD（0.7215）相比，本文模型mAP_0.5达到0.8562，提升幅度为0.49%-13.47%。

结果表明该模型在保持实时性的同时，对噪声和畸变具有更强适应性。

3.4 注意力机制对比实验

CA模块的mAP_0.5（0.8543）较SE（0.8498）和CBAM（0.8277）提升0.26%-2.66%。

验证了CA在雷达图像特征定位中的优势。

3.5 消融实验

逐项添加改进模块后，完整模型（CA+可变形卷积+改进SWA）较基线YOLOv5的P值提升4.42%，R值提升3.25%。

可视化结果证实新模型在强噪声环境下仍能保持稳定检测置信度。

该研究通过多维度技术创新，解决了雷达图像目标检测中的噪声抑制、畸变适应和模型泛化三大核心难题。CA模块的预提取策略突破了传统注意力机制局限于颈部网络的约束，可变形卷积的采样灵活性为不规则目标检测提供了新思路，而改进SWA算法则为模型收敛稳定性提供了理论保障。这些成果不仅推动了YOLOv5在雷达影像领域的应用边界，更为复杂战场环境下的智能感知系统提供了可靠的技术支撑。