DFES-YOLO：一种面向SAR舰船小目标检测的去噪增强网络

合成孔径雷达（Synthetic Aperture Radar，SAR）是一种主动式微波成像雷达，利用载机或卫星平台的运动，在方位向上“合成”出远大于物理天线尺寸的等效孔径，从而在较窄天线波束条件下实现远距离、高分辨率微波成像。与光学或红外成像系统相比，SAR具备全天时、全天候观测能力，在灾害监测、海洋观测及目标检测等领域得到广泛应用［1-3］。随着海洋经济与海上活动的发展，海面舰船检测问题日益受到关注，SAR成像已成为重要的海面舰船监测手段。然而，受分辨率限制，船舶目标在SAR图像中通常占据像素较少，同时SAR成像过程中产生的乘性斑点噪声会严重干扰目标特征表达，使得斑点噪声抑制与小目标检测精度提升成为SAR舰船检测研究中的关键问题。

传统舰船目标检测方法主要包括统计分布法和极化特征法。统计分布法通过对海杂波进行建模，检测SAR图像中显著偏离背景分布的像素点以判定舰船目标；极化特征法则利用舰船结构复杂、散射机理多样，而海面散射相对单一的特性进行目标区分，如恒虚警检测（Constant False-Alarm Rate，CFAR）方法［4］及其改进算法［5-6］。但上述方法通常依赖于理想化背景假设，在近岸或复杂海况条件下容易出现虚警率升高的问题，整体鲁棒性和适应性有限。

近年来，深度学习技术在SAR图像舰船检测领域取得显著进展。基于深度学习的目标，检测模型主要分为两阶段目标检测器（Two-Stage Detector）和单阶段目标检测器（One-Stage Detector）。两阶段检测器以基于区域的卷积神经网络（Region-based Convolutional Neural Networks，R-CNN）［7］及其衍生模型［8-10］为代表，通过候选区域生成与精细分类回归获得较高检测精度，但推理速度和计算开销较大。相比之下，单阶段目标检测器如单次多框检测器（Single Shot MultiBox Detector, SSD）［11］、（You Only Look Once, YOLO）系列［12-15］以及 RetinaNet［16］，直接在多尺度特征图上进行目标预测，在保持较好检测精度的同时显著提升了检测效率，因此在实时检测任务中得到广泛应用。

针对SAR图像舰船检测任务，研究者围绕YOLO架构提出了多种改进方法。例如DBW-YOLO［17］和LMSD-YOLO［18］，两种方法主要通过改进特征提取结构、多尺度特征融合策略以及损失函数设计来提升检测性能。综合模型精度、效率与可扩展性，本文选用YOLO11n作为基础检测框架。

在SAR图像去噪方面，Amrani等人［19］利用小卷积滤波器适应SAR斑点噪声特性；Zhao等人［20］提出Sim-Mor（Simple Morphological）模块，通过最小池化与最大池化串联抑制噪声；Tang等人［21］采用分阶段策略完成噪声评估、目标区域提取与检测；Liu等人［22］提出的MRDDANet（Multiscale Residual Dense Dual Attention Network）以及Zhang等人［23］基于噪声水平图的去噪方法均取得一定效果。然而，独立去噪网络通常需要额外训练流程，而复杂去噪模块的直接嵌入又会显著增加模型参数量和计算负担。

另一方面，小目标检测对多尺度特征融合和细粒度信息保持具有较高要求。相关研究通过空间到深度模块（Space to Depth，SPD）［24］、多尺度卷积（Multi-Scale Convolution，MSC）［25］以及全通道交互特征提取模块（Full Channel Spatial Interaction，FCSI）［26］等方式缓解下采样导致的小目标信息丢失问题。同时，注意力机制在增强特征表达方面表现突出，部分研究在主干或颈部结构中引入SE（Squeeze-and-Excitation）注意力［27］、位置敏感注意力机制［28］或多维协同注意力机制（Multidimensional Collaborative Attention, MCA）［29］，但其引入方式和计算效率仍有进一步优化空间。

基于上述分析，本文提出一种面向SAR图像舰船小目标检测的改进算法DFES-YOLO。该方法以YOLO11n为基础，在主干网络中嵌入端到端去噪模块（Denoiser Module, DM），设计新的特征提取模块（Feature Extraction Module, FEM）和小目标颈部结构（Small Object Neck, SON），并引入高效多尺度注意力机制（Efficient Multiscale Attention,EMA），在不显著增加模型参数量和计算复杂度的前提下，有效提升了斑点噪声抑制能力和舰船小目标检测精度。

1 相关理论基础

1.1 相干斑噪声

由于SAR系统的独特成像机制，其获取的照片通常包含大量相干斑噪声，如图1所示，随着噪声强度的增加，图像中的有效散射信息被严重掩盖，从而对后续的SAR图像目标检测任务产生显著干扰。

相干斑噪声通常被建模为一种乘性噪声［20］，因此观测到的SAR噪声图像与理想无噪声图像的关系可以表示为

式中，I表示均值、标准差均为1的乘性噪声图像［30］，S表示干净图像，N表示噪声项，⊙表示逐元素乘。需要指出的是，在海面SAR成像场景中噪声项N并非完全固定不变，而是会随海情条件变化表现出不同的特性。随着海况等级升高，海面粗糙度和波浪起伏增强，海面散射及海杂波水平随之增加，进而表现为乘性噪声强度增大。据此，海面SAR图像可以进一步被表示为

式中，k表示不同海情条件，Nk表示对应海情条件下的乘性噪声项。因此，本文实验在不同强度噪声条件下开展，旨在模拟不同海情条件下的SAR图像。

1.2 YOLO11n模型

YOLO11n是YOLO11系列中的轻量化目标检测模型，在保持较低参数量和计算复杂度的同时，具备较强的检测精度和实时性能。得益于其优化的网络结构和高效的特征提取能力，YOLO11n在多种目标检测任务中表现出良好的速度和精度平衡，因此被广泛作为轻量化检测算法的基准模型。

2 DFES-YOLO方法

本文在YOLO11n的基础上针对SAR图像目标检测提出一种检测舰船目标的网络算法DFES-YOLO模型，其结构如图2所示。模型主干保留了YOLO11n原有的结构。与之不同的是，本文将第一层下采样替换成DM，旨在削弱SAR图像的乘性噪声对后续特征提取的影响。在第二、第三层下采样中，为更好地进行特征提取，将原本结构替换为Convolution（Conv）、FEM、EMA的组合；第四层下采样替换为Conv、FEM、SPPF、C2EMA的组合。在颈部中，对原本PAN-FPN结构进行改进，提出SON结构。最终将其通过检测头形成实现对图像中目标位置的预测。

2.1 去噪模块（DM）

乘性斑点噪声会显著降低图像的质量，使目标与背景的对比度下降、边缘细节变得模糊，进而导致检测模型在前向推理时容易将局部较强的噪声误判为舰船目标，同时也干扰特征提取网络对真实目标结构信息的获取。为减弱乘性噪声对检测性能的不利影响，并提高背景与目标的对比度，DM是必不可少的。

DM整体结构如图3所示。它由两个串联的小去噪（LDenoiser）模块构成。其中，LDenoiser既是去噪单元，同时承担下采样的功能。设输入特征图记为X∈ℝB×C×H×W，其中B为批次大小，C为通道数，H和W分别为特征图的高度和宽度，则LDenoiser的输出特征记为Y∈ℝ

。LDenoiser内部包含两个并行分支:第一分支采用步长为2的卷积，实现空间维度下采样，并提取与噪声相关的残差特征，以捕获局部高频扰动信息；第二分支通过将噪声图像重采样为4个下采样子图像，将相邻空间位置的像素重排并映射到通道维度，在不损失像素级统计信息的前提下实现等效的尺度变换，从而保留更多与目标结构有关的上下文信息。两个分支得到的特征在通道维度上逐元素相加，以实现对噪声残差与重排特征的互补融合，随后通过一个1×1卷积进一步压缩与重整通道信息，输出最终的下采样特征。最终DM的输出特征图记为Yf∈ℝ

得益于这种并行分支与融合策略，DM在完成空间分辨率缩减的同时，将噪声抑制过程与尺度变换结合，使网络能够在更低的分辨率但更丰富的通道空间中完成对乘性噪声的抑制，有效提升后续检测头对舰船目标的可分性与鲁棒性。

2.2 特征提取模块（FEM）

YOLO11n用于特征提取的C3k2模块仅由不同大小卷积核的卷积来提取特征，无法有效的针对SAR图像中目标进行特征提取。Zhou等人［26］用分支分别提取注意力权重并交叉的方式提高了特征提取效率。但由于其模块仅由1×1卷积提取注意力权重图，导致未充分考虑空间位置在全局的重要性，故本文在此基础上改进了新的特征提取模块用于提取小目标。与之不同的是，FEM在注意力权重图的生成方面采用了平均和最大池化层相结合的方式，使得模块同时从整体和局部两个视角来评估空间位置的重要性，在并没有增加计算量的情况下生成信息更全面的注意力权重图。FEM结构图如图4所示。

FEM输入为X∈ℝB×C×H×W。首先，仿照C3k2的结构，对输入特征进行1×1卷积-批归一化-SiLU（Sigmoid Linear Unit），再沿通道维度将X0均分为两个子特征X1,X2∈ℝB×(C/2)×H×W，分别送入两条结构相同的分支。每一条分支均由4个串联的3×3卷积-批归一化-SiLU单元构成，并在分支内部通过残差连接，在不显著增加参数量和计算成本的前提下，减少特征在传递时的丢失。最终得到分支特征F1,F2∈ℝB×(C/2)×H×W。

随后，FEM在每个分支上分别进行平均、最大池化，每个分支得到两个单通道的注意力权重图，再将这两个注意力权重图进行1×1卷积，最终得到两个单通道注意力权重图A1, A2∈ℝB×(C/2)×H×W，并对其使用Softmax激活函数，获得注意力权重

。随后，模块两个分支进行信息交换，即

式中，⊙表示逐元素乘法。

最后，FEM将两条经调制的分支特征与初始特征X0在通道维度上级联，形成中间特征

并通过一个1×1卷积将通道数缩减到与输入相同的通道数，输出特征Y∈ℝB×C×H×W。

2.3 高效多尺度注意力机制（EMA）

注意力机制已在计算机视觉领域得到广泛应用。为了使模型在处理SAR图像时能够更有效地解决“看什么”和“怎么看”的问题，本文在网络结构中引入了注意力模块。然而，额外模块的引入通常会增加模型在训练与推理阶段的计算开销。为在尽量保持原始模型计算复杂度的前提下引入注意力机制，本文选择了EMA［31］注意力机制，该模块独特的并行结构在有效控制计算量的同时，提升了模型在训练与推理阶段的处理效率。

EMA包含通道和空间注意力机制，主要用于自适应重标定通道/空间响应、建立长程与多尺度依赖。EMA、EMABlock和C2EMA结构如图 5所示。SAR成像具有相干成像机理带来的斑点噪声强、背景杂波复杂、目标尺寸小且散射特性多样等特点，导致目标回波往往被淹没在强杂波与结构化背景中。YOLO11n下采样所使用的卷积在固定感受野内提取的局部特征难以同时兼顾抑制杂波和突出目标散射信息。此外，SAR目标检测对多尺度表征和上下文建模尤为敏感，小目标在高分辨SAR图像中只占据极少像素，更依赖于精细的结构与纹理差异。为此，本文在主干的多个尺度特征层中引入EMA注意力模块，通过在特征通道与空间维度上进行高效的多尺度依赖建立与自适应重加权，使网络能够自动增强与目标相关的显著散射并抑制背景冗余的影响。EMA利用较低的计算开销实现对长程依赖和多尺度上下文的捕获，有利于在保持实时性的前提下扩大有效感受野、提高特征判别性。同时，将EMA嵌入到多个下采样阶段之后，可以在获得较强语义抽象能力的同时进一步突出目标与复杂背景之间的细微差异，从而提升SAR图像大中小多尺度目标和密集目标的检测精度。

2.4 小目标颈部结构（SON）

在SAR图像目标检测时有一个难点就是极小目标难以检测，现有的较为通用的解决方案就是加深网络结构，在上采样时再多上采样一层，同时增加一个针对极小目标的探测头，但是这种方案会导致模型的参数量及计算量显著增加，导致模型的训练、推理速度极慢，无法用于实际边缘设备部署。为此，本文设计了SON结构，如图6所示，其中模型输入图片大小为640×640，经过P1层下采样后变为160×160，在经过P2、P3和P4层下采样后最终大小变为20×20。由于在SAR图像中的大目标占比较少甚至没有，因此本文在再往上上采样一层的基础上去掉了大目标的检测头，这样既保证了模型对于极小目标的检测能力，同时又兼顾到了模型的检测效率。与此同时，为了减少多次下采样和上采样操作对于特征图带来的信息丢失，本文参考BiFPN［32］的做法，模型的D1层将接受来源于P2、U2和U3三层的信息，D2层将接受D1、U1和P3层的信息，这样，在促进特征融合减少信息丢失的同时因为只与同一大小的层进行连接操作，不会增加过多的计算负担。

3 实验结果及分析

为验证DFES-YOLO方法的有效性和鲁棒性，本文选用两个国内外相关研究都广泛使用的SAR图像数据集对DFES-YOLO模型开展了多种实验，在此基础上，对实验结果进行详细分析评价，并与基准模型YOLO11n以及其他相关模型进行比对。

3.1 实验数据集

本文选用SSDD（SAR Ship Detection Dataset）［33］和HRSID（High-Resolution SAR Images Dataset）［34］两个数据集对DFES-YOLO进行评价。SSDD和HRSID数据集被SAR图像目标检测研究所广泛使用。SSDD数据集包含1 160张来自RadarSat-2、TerraSAR-X和Sentinel-1三种卫星HH、HV、VH和VV四种极化方式的图片，一共包含了2 540个目标，其中小目标占比60.20%，中目标占比36.80%，大目标占比3.00%。HRSID数据集包含5 604张来自Sentinel-1B、TerraSAR-X和TanDEMX三种卫星HH、HV和VV三种极化方式的图片，一共包含了16 951个目标，其中小目标占比54.50%，中目标占比43.60%，大目标占比1.90%。两个数据集目标大小分布如图7所示。

为验证去噪模块DM的有效性，本文在SSDD数据集基础上，加入不同强度噪声，构建了掺噪数据集。依据Ding等人［35］的研究，可以通过设置截止参数量化噪声图的噪声强度。由此噪声图可以表示为

式中，α表示截止参数，截止参数越大，噪声越强。本文将截止参数α分别设置为0.5、1.0和1.5，构造出3种不同强度的掺噪数据集，其示例图像如图 8所示，从左到右分别为原图、α=0.5、α=1.0和α=1.5。

3.2 实验环境

本文的实验环境部署在Windows 11系统上，硬件配置:CPU为i9-13900H，显卡为NVIDIA RTX 4060。使用的软件包括Python 3.9.20、Pytorch 2.7.1和CUDA 11.8。图像初始大小设置为640×640、批次大小为8、训练轮数为300轮、初始学习率为0.001、使用AdamW优化器（其余训练参数与YOLO11n默认配置保持一致）。

3.3 评价指标

本文选用精确度（Precision, P）、召回率（Recall, R）、平均精度（mean Average Precision, mAP）mAP50和mAP50∶95四个指标作为模型性能的评价指标。

P表示在所有被模型预测为正样本的目标中，真正例所占的比例；R表示在所有真实目标中被正确检出的比例；在不同置信度阈值下可以得到一条P-R曲线，其下方面积为mAP，定义为

mAP50指在交并比（Intersection over Union, IoU）阈值为0.5时的mAP，主要衡量“是否成功框到目标”的检测能力；mAP50∶95则在IoU∈[0.5,0.95]、步长为0.05的多个阈值下计算mAP，能够在更严格和更宽松的定位要求下综合评价模型，在一定程度上更加反映检测与定位的整体精度。

3.4 消融实验

为了验证DFES-YOLO中各模块对于SAR图像舰船检测的作用，本文在SSDD数据集上进行了消融实验，并以YOLO11n作为基准进行比较。由表1可以看出，引入DM模块后，在参数量不变的情况下，模型精确度从96.5%提升至97.9%，增长1.4%，同时，mAP50和mAP50∶95分别提高0.1%和1.1%，表明该模块能够有效抑制SAR图像中的斑点噪声干扰，从而提升检测精度。加入FEM后，模型召回率略微下降0.5%，但将精确度、mAP50和mAP50∶95分别提升0.5%、0.6%和1.6%，说明FEM能够增强特征表达能力，提高模型对舰船目标的判别与定位能力。此外，引入SON结构后，模型精确度、召回率、mAP50和mAP50∶95分别提升了0.2%、0.3%、0.1%和0.6%，同时模型参数量从2.6× 106降到1.9×106，降低了37%，表明该结构在提升小目标检测能力的同时有效降低了模型复杂度。

为了进一步验证DM在噪声环境下的有效性，本文在基于SSDD构建的掺噪数据集上进行了对比实验，噪声强度分为原图、α=0.5、α=1.0和α=1.5。本文将加入DM的YOLO11n与YOLOv5n、YO-LOv8n和基准模型YOLO11n进行对比，结果如表2所示。各模型P、R、mAP50和mAP50∶95四个指标随噪声强度变化曲线如图9所示。

结果表明，随着噪声强度增加，各模型检测性能均有所下降，但本文方法的下降幅度最小，且在各评价指标上均明显优于对比模型。尤其在α=1.5时，本文模型在各方面均取得最优结果。

为了更直观展示DM的作用，本文对检测结果进行了可视化分析，如图10所示，其中绿色框为正确预测的目标，红色框为未预测出来的目标，黄色框为模型预测为目标（不是舰船目标）。相比YO-LOv5n、YOLOv8n和YOLO11n，本文方法能够在强噪声条件下检测到更多舰船目标，漏检情况明显减少，说明DM能够有效抑制SAR图像中的斑点噪声，从而提升模型在复杂噪声环境下的检测性能。

最后，本文在模型中加入了EMA注意力机制用于专注重要位置从而实现提升检测精确度。通过对比较热门的加入注意力机制的方式，证明了本文所提出的加入注意力机制方式的有效性，结果如表3所示。实验结果表明，所提出的方法在整体检测性能上优于现有注意力机制方案。虽然精确度略低于图11（b）和图11（e），但在其他性能指标上均取得更优表现，体现出更均衡的检测能力。

最终的DFES-YOLO模型相较于基准YOLO11 n，在参数量仅增加了0.6×106的情况下，精确度、召回率、mAP50和mAP50∶95分别提升了1.6%、1.1%、0.2%和1.6%，以最少的参数量实现了更好的检测性能。

3.5 在SSDD数据集上的实验

为了验证DFES-YOLO的性能优势，本文在SSDD数据集上与多种检测模型进行了对比实验，结果如表4所示。对比方法包括两阶段检测器Fster R-CNN和Mask R-CNN，单阶段检测器YOLOX、YOLOv8n等。其中“*”是本文实验结果。实验结果表明，DFES-YOLO在精度和参数规模方面均具有明显优势。在参数量为3.2 M的情况下，模型取得98.10%精确度、95.60%召回率、98.60%mAP50、75.40%mAP50∶95。虽然其召回率略低于RLE-YOLO、YOLO-SRB和GDB-YOLOv5s，但是在其他参数上均优于这些算法。同时，DFES-YOLO参数规模显著更小，仅为上述模型的52%、44%和15%，体现出较高的模型效率。

为了进一步直观展示DFES-YOLO较基准模型YOLO11n的优势，本文对模型进行了不同典型场景下的可视化分析，如图12所示，其中，绿色框为正确预测的目标，红色框为未预测出来的目标，黄色框为模型预测为目标但是并不是舰船目标的目标。所选样本包含强噪声背景（图12第1列）、小目标密集分布场景（图12第2、3、4列）及近岸复杂背景场景（图12第5、6列）。可以看出，在强噪声场景下，YOLO11n未能检测到目标，而DFES-YOLO能够成功识别，表明DM模块有效降低了噪声对检测性能的影响；在小目标场景中，DFES-YOLO能够稳定检测全部目标，而YOLOv5n、YOLOv8n和YOLO11n均出现不同程度的漏检或误检；在近岸复杂背景场景下，受岸线、建筑及港口设施等强散射背景影响模型产生了较多的漏检，而DEFS-YOLO仍保持了较好的检测结果。实验结果说明，DFES-YOLO能够有效提升在强噪声、密集小目标及近岸复杂背景场景中的检测能力，与前文定量实验结果一致。

3.6 在HRSID数据集上的实验

为了证明DFES-YOLO的鲁棒性，本文还在HRSID数据集上做了实验，结果如表5所示。本文选择了6个模型进行对比，由结果可以看出DFES-YOLO在精确度、召回率、mAP50和mAP50:95分别比基准模型YOLO11n提高了1.6%、20%、18.2%和11.8%。虽然在召回率和mAP50∶95略低于YOLO-SRBD，但是DFES-YOLO的参数量是其42%。因此，本文方法能够更高效地达到更好的检测水平。

最后，为更直观地体现DFES-YOLO较基础模型YOLO11n的提升，本文选取了5张较有代表性的小目标（如图13第1、2、3、4列所示）、复杂背景（如图13第5列所示）和大场景（如图13第4、5列所示）场景下的图片进行可视化，其中，绿色框为正确预测的目标，红色框为未预测出来的目标，黄色框为模型预测为目标但是并不是舰船目标的目标。可以看出DFES-YOLO在小目标、复杂背景和大场景场景中检测均更具优势，尤其是在第4列图片中的极小目标检测。

4 结束语

本文提出了一种针对SAR图像乘性噪声和小目标的舰船检测方法DFES-YOLO。首先，本文提出了Denoiser模块用于去噪以减弱噪声对模型精度的影响，其次，提出了FEM模块用于提高模型主干部分的特征提取能力，加入EMA注意力机制以建立多尺度依赖达到提升小目标检测精度的目的，最后，提出了专为小目标检测而生的颈部结构SON，能既高效又准确地检测舰船目标。

为了验证DFES-YOLO的有效性和泛化能力，本文在SSDD和HRSID两个数据集上进行验证实验，在SSDD数据集上，DFES-YOLO实现了在精确度、召回率、mAP50和mAP50∶95方面分别高于基准模型YOLO11n 1.6%、1.1%、0.2%和1.6%。在HRSID数据集上，DFES-YOLO实现了在精确度、召回率、mAP50和mAP50∶95方面分别高于基准模型YOLO11n 1.6%、20%、18.2%和11.8%。此外，通过构造掺噪数据集，本文验证了DFES-YOLO在强噪声环境下有着更好的表现。DFES-YOLO在SAR图像舰船检测任务中取得了较为理想的检测性能，但在复杂背景场景下，预测框与真实标注之间仍存在一定偏差，模型的定位精度尚有进一步提升空间。

［1］ AMITRANO D, DI MARTINO G, DI SIMONE A, et al.Flood Detection with SAR: A Review of Techniques and Datasets［J］. Remote Sensing, 2024, 16(4): 16040656.

［2］ ASIYABI R M, GHORBANIAN A, TAMEH S N, et al.Synthetic Aperture Radar (SAR) for Ocean: A Review［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2023, 16: 9106-9138.

［3］ YASIR M, LIU S W, PIRASTEH S, et al. YOLOShip-Tracker: Tracking Ships in SAR Images Using Lightweight YOLOv8［J］. International Journal of Applied Earth Observation and Geoinformation, 2024, 134: 104137.

［4］ BUNCH J R, FIERRO R D. A Constant-False-Alarm-Rate Algorithm［J］. Linear Algebra and its Applications, 1992, 172: 231-241.

［5］ DI BISCEGLIE M, GALDI C. CFAR Detection of Extended Objects in High-Resolution SAR Images［J］. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(4): 833-843.

［6］施赛楠，马倩倩，汪佳俊.基于截断最大似然的恒虚警海面目标检测［J］.雷达科学与技术，2025，23（6）:611-622.

［7］ GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation［C］//2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH,USA: IEEE, 2014: 580-587.

［8］ GIRSHICK R. Fast R-CNN［C］//2015 IEEE International Conference on Computer Vision, Santiago, Chile: IEEE,2015: 1440-1448.

［9］ REN Shaoqing, HE Kaiming, GIRSHICK R, et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149.

［10］ HE Kaiming, GKIOXARI G, DOLLAR P, et al. Mask R-CNN［C］//2017 IEEE International Conference on Computer Vision, Venice, Italy: IEEE, 2017: 2980-2988.

［11］ LIU Wei, ANGUELOV D, ERHAN D, et al. SSD: Single Shot MultiBox Detector［C］//European Conference on Computer Vision, Cham: Springer International Publishing, 2016: 21-37.

［12］ REDMON J, DIVVALA S, GIRSHICK R, et al. You Only Look Once: Unified, Real-Time Object Detection［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition , Las Vegas, NV, USA : IEEE, 2016:779-788.

［13］ REDMON J, FARHADI A. YOLOv3: An Incremental Improvement［PP/OL］.arXiv, (2018-04-08)［2026-02-26］.https://arxiv.org/abs/1804.02767.

［14］ KHANAM R, HUSSAIN M. What is YOLOv5: A Deep Look into the Internal Features of the Popular Object Detector［PP/OL］. arXiv,(2024-07-30)［2026-02-15］. https://arxiv.org/abs/2407.20892.

［15］ WANG C Y, BOCHKOVSKIY A, LIAO H M. YOLOv7:Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors［C］// 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition,Vancouver, BC, Canada: IEEE, 2023: 7464-7475.

［16］ LIN T Y, GOYAL P, GIRSHICK R, et al. Focal Loss for Dense Object Detection ［C］//2017 IEEE International Conference on Computer Vision, Venice, Italy: IEEE,2017: 2999-3007.

［17］ TANG Xiao, ZHANG Jiufeng, XIA Yunzhi, et al.DBW-YOLO: A High-Precision SAR Ship Detection Method for Complex Environments［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024, 17: 7029-7039.

［18］ GUO Yue, CHEN Shiqi, ZHAN Ronghui, et al.LMSD-YOLO: A Lightweight YOLO Algorithm for Multi-Scale SAR Ship Detection［J］. Remote Sensing,2022, 14(19): 14194801.

［19］ AMRANI M, BEY A, AMAMRA A. New SAR Target Recognition Based on YOLO and Very Deep Multi-Canonical Correlation Analysis［J］. International Journal of Remote Sensing, 2022, 43(15/16): 5800-5819.

［20］ ZHAO Congxia, FU Xiongjun, DONG Jian, et al.MLC-Net: A Robust SAR Ship Detector with Speckle Noise and Multiscale Targets［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024, 17: 19260-19273.

［21］ TANG Gang, ZHUGE Yichao, CLARAMUNT C, et al.N-YOLO: A SAR Ship Detection Using Noise-Classifying and Complete-Target Extraction［J］. Remote Sensing,2021, 13(5): 13050871.

［22］ LIU Shuaiqi, LEI Yu, ZHANG Luyao, et al. MRDDANet:A Multiscale Residual Dense Dual Attention Network for SAR Image Denoising［J］. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 5214213.

［23］ ZHANG Kai, ZUO Wangmeng, ZHANG Lei. FFDNet:Toward a Fast and Flexible Solution for CNN-Based Image Denoising［J］. IEEE Transactions on Image Processing, 2018, 27(9): 4608-4622.

［24］ GUAN Tianyue, CHANG Sheng, WANG Chunle, et al.SAR Small Ship Detection Based on Enhanced YOLO Network［J］. Remote Sensing, 2025, 17(5): 17050839.

［25］ WANG Simin, GAO Song, ZHOU Lun, et al. YOLO-SD:Small Ship Detection in SAR Images by Multi-Scale Convolution and Feature Transformer Module［J］. Remote Sensing, 2022, 14(20): 14205268.

［26］ ZHOU Liming, ZHANG Guochong, YANG Jiakang, et al. CSS-YOLO: A SAR Image Ship Detection Method for Complex Scenes［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2025,18: 20636-20654.

［27］ LV D, ZHAO Chao, YE Hua, et al. GS-YOLO: A Lightweight SAR Ship Detection Model Based on Enhanced GhostNetV2 and SE Attention Mechanism［J］. IEEE Access, 2024, 12: 108414-108424.

［28］ ZHAO Liangjun, NING Feng, XI Yubin, et al.MSFA-YOLO: A Multi-Scale SAR Ship Detection Algorithm Based on Fused Attention［J］. IEEE Access, 2024,12: 24554-24568.

［29］江庭辉，刘秀清，屠其晨.基于深度学习的全极化SAR舰船目标检测方法［J］.现代雷达，2026.（2026-02-02）［2026-02-21］.https://doi.org/10.16592/j.cnki.1004-7859.2025299.

［30］ CHEN Guozhong, LIU Xingzhao. Wavelet-Based Despeckling SAR Images Using Neighbouring Wavelet Coefficients［C］//2005 IEEE International Geoscience and Remote Sensing Symposium, Seoul, Korea (South): IEEE,2005: 1764-1766.

［31］ OUYANG Daliang, HE Su, ZHANG Guozhong, et al. Efficient Multi-Scale Attention Module with Cross-Spatial Learning［C］//2023 IEEE International Conference on Acoustics, Speech and Signal Processing, Rhodes Island, Greece: IEEE, 2023: 1-5.

［32］ TAN Mingxing, PANG Ruoming, LE Q V. Efficientdet:Scalable and Efficient Object Detection［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, WA, USA: IEEE,2020: 10781-10790.

［33］ ZHANG Tianwen, ZHANG Xiaoling, LI Jianwei, et al.SAR Ship Detection Dataset (SSDD): Official Release and Comprehensive Data Analysis［J］. Remote Sensing,2021, 13(18): 13183690.

［34］ WEI Shunjun, ZENG Xiangfeng, QU Qizhe, et al.HRSID: A High-Resolution SAR Images Dataset for Ship Detection and Instance Segmentation［J］. IEEE Access, 2020, 8: 120234-120254.

［35］ DING Jun, CHEN Bo, LIU Hongwei, et al. Convolutional Neural Network with Data Augmentation for SAR Target Recognition［J］. IEEE Geoscience and Remote Sensing Letters, 2016, 13(3): 364-368.

［36］ FENG Yifan, HUANG Jiangang, DU Shaoyi, et al.Hyper-YOLO: When Visual Object Detection Meets Hypergraph Computation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2024, 47(4): 2388-2401.

［37］ YAO Bin, ZHANG Cengkun, MENG Qingxiang, et al.SRM-YOLO for Small Object Detection in Remote Sensing Images［J］. Remote Sensing, 2025, 17(12):17122099.

［38］ XU Yifan, XUE Xiaorong, LI Chuanlu, et al.RLE-YOLO: A Lightweight and Multiscale SAR Ship Detection Based on Improved YOLOv8［J］. IEEE Access, 2025, 13: 46584-46600.

［39］ ZHOU Shilong, ZHOU Haijin, QIAN Lei. A Multi-Scale Small Object Detection Algorithm SMA-YOLO for UAV Remote Sensing Images［J］. Scientific Reports, 2025, 15(1): 9255.

［40］ YU Chushi, SHIN Y. An Efficient YOLO for Ship Detection in SAR Images via Channel Shuffled Reparameterized Convolution Blocks and Dynamic Head［J］. ICT Express, 2024, 10(3): 673-679.

［41］ CHEN Dongdong, JU Rusheng, TU Chuangye, et al.GDB-YOLOv5s:Improved YOLO-Based Model for Ship Detection in SAR Images［J］. IET Image Processing,2024, 18(11): 2869-2883.