文件大小：1.82M
摘要：复杂的海况背景、目标多尺度特性及传感器噪声等因素，给基于合成孔径雷达（SAR）图像的船舶检测带来了巨大挑战。因此，提出了一种基于改进YOLOv11的SAR图像小目标船舶检测模型。使用深度可分离卷积构建新骨干网络，减少计算量和参数量；采用SE注意力机制替换C2PSA注意力，增强特征提取能力；设计残差空间通道重建卷积模块替换C3K2，提升特征表示能力；使用NWD损失函数代替CIoU损失函数，使模型推理更关注于小目标。实验结果表明，改进的模型在HRSID数据集上的mAP@0.5和召回率较YOLOv11分别提升1.5%和1.4%，参数量为13.9M，推理时间为0.51s。与主流模型相比，改进模型在检测精度和速度上均表现出优越性。此外，模型在SSDD和RSDD数据集上的泛化性测试也取得了较好的结果。综上，改进的模型在SAR图像小目标船舶检测任务中具有较高的应用潜力和推广价值。
文章目录
1 YOLOv11网络模型
2 DSR-YOLOv11网络模型
2.1 DSR-YOLOv11模型总体结构
2.2 DWConv结构
2.3 RSCConv模块
3实验结果与分析
3.1 数据集与实验环境
3.2 评价指标
3.3 消融实验
3.4 模型对比实验
3.5 检测效果可视化
3.6 模型泛化性测试
4 结论
