基于YOLO-SR的合成孔径雷达图像船舶检测优化架构：平衡细节融合与多尺度感知的突破

为解决SAR图像中船舶检测面临的斑点噪声、尺度变化和小型船只低对比度等挑战，研究人员提出YOLO-SR模型，通过Balanced Detail Fusion（BDF）、C2f-MSDR、DySample和Focaler-SIoU损失四项创新，显著提升检测精度与速度，为实时海事监测提供高效解决方案。

　　

在海洋监测领域，合成孔径雷达（SAR）因其全天候成像能力成为船舶检测的核心工具。然而，SAR图像固有的斑点噪声、目标尺度差异以及小型船舶的低对比度特性，使得传统检测方法如恒虚警率（CFAR）算法和早期卷积神经网络（CNN）模型面临严峻挑战。尤其在高噪声环境或复杂海况下，小型或部分遮挡的船舶极易被漏检，而实时性要求又限制了计算密集型模型的部署。这些痛点催生了对高效、精准SAR船舶检测技术的迫切需求。

针对上述问题，国内研究人员基于YOLOv10框架，提出了专为SAR图像优化的YOLO-SR检测架构。该研究通过四项关键技术革新：平衡细节融合模块（BDF）实现浅层细节与深层语义的自适应加权融合；多尺度扩张残差模块（C2f-MSDR）扩展感受野以捕捉不同尺寸船舶；动态采样策略（DySample）保留边界细节；以及融合距离、角度和形状因子的Focaler-SIoU损失函数，显著提升了模型在复杂SAR环境下的检测性能。相关成果发表在《Intelligent Systems with Applications》期刊。

研究团队采用HRSID和SAR-Ship-Dataset两个公开数据集，通过对比实验验证模型效能。关键技术包括：1）BDF模块通过通道重加权和空间注意力机制增强小目标特征；2）C2f-MSDR采用并行空洞卷积（dilation rate=1/3/5）构建多尺度特征；3）DySample替代传统插值上采样；4）Focaler-SIoU损失引入角度惩罚项Γ和形状约束Ω。

研究结果显示，在HRSID数据集上，YOLO-SR以71.9%的平均精度（AP）超越YOLOv10（70.2%）和HTC-ResNet-101（68.4%），对小船舶（AP_S=74.6%）和中等船舶（AP_M=75.7%）的检测优势尤为显著。在SAR-Ship-Dataset上进一步取得92.6%的AP，较基线模型提升5.6%。可视化分析表明，该模型在港口密集场景和低对比度区域能有效抑制虚警，其热图激活区域精准对应船舶位置。

结论部分指出，YOLO-SR通过架构创新实现了精度与速度的平衡（68 FPS），其BDF模块和C2f-MSDR设计可推广至其他遥感目标检测任务。研究不仅解决了SAR图像特有的散射特性建模难题，还为边缘设备部署提供了轻量化方案。未来工作可探索该框架在极地船舶监测和非法捕捞监管等场景的应用潜力。