研究背景

合成孔径雷达 (Synthetic aperture radar, SAR) 卫星能够不受天气和光线限制提供微波遥感图像，在海洋监测领域得到了广泛的应用。目前基于深度学习的 SAR 船舶检测方法很难部署到卫星上，因为这些方法通常具有复杂的模型和巨大的计算量。电子科技大学信息与通信工程学院张晓玲教授团队在 Remote Sensing 期刊发表文章，提出了一种轻量级星载 SAR 舰船检测器 Lite-YOLOv5，并利用嵌入式平台 NVIDIA Jetson TX2 评估了 Lite-YOLOv5 的星载 SAR 舰船检测性能。

研究背景

作者提出了一种基于深度学习的轻量级星载 SAR 舰船检测器 (Lite-YOLOv5)。该方法减少了模型的体积和计算量，同时在不牺牲精度的情况下实现星载舰船检测。为了获得轻量级的模型，作者设计了轻量级跨阶段局部模块以减少计算量，并应用模型剪枝以获得更紧凑的检测器。为了保证模型检测的准确性，作者集成了基于直方图的纯背景鉴别模块、形状距离聚类模块、通道和空间注意力模块以及混合空间金字塔池模块以提高检测性能。Lite-YOLOv5 的网络结构如图1所示。此外，作者还将 Lite-YOLOv5 移植到嵌入式平台 NVIDIA Jetson TX2 上，实现了所提方法的星载 SAR 舰船检测性能评估，很大程度上解决了在有限内存和有限计算资源的卫星处理平台上进行端到端 SAR 舰船检测的问题，为后续的星载 SAR 舰船检测提供了一定的参考意义。

图1. 本文 Lite-YOLOv5 的网络结构图。

作者使用大场景小目标 SAR 舰船检测数据集 (LS-SSDD-v1.0) 来验证 Lite-YOLOv5 的有效。LS-SSDD-v1.0 采用 Sentinel-1 卫星数据，包括15幅原始大场景星载 SAR 图像，极化模式包含 VV 和 VH 两种模式，成像模式为 IW 模式，具有大场景海洋观测、小尺度舰船检测、多种多样纯背景、全自动检测流程和多种标准化基准的显著特点。

关于实验细节，作者使用了具有强大计算能力的 NVIDIA  RTX  3090 工作站作为地面训练平台，构建了 Lite-YOLOv5 检测器。并使用 NVIDIA  Jetson  TX2 作为星载测试平台，评估 Lite-YOLOv5 的星载 SAR 舰船探测能力。作者使用精度 (P)、召回率 (R)、平均精度 (AP) 和 F1 分数四个指标对各个方法的检测结果进行精度评价与比较，并通过测试时间 (T)、浮点运算量 (FLOPs)、参数量和模型体积四个指标对各个方法的检测结果进行轻量化评价与比较。图2展示了大场景 Sentinel-1 SAR 图像中的 Lite-YOLOv5 舰船检测结果。

图2. Lite-YOLOv5 在大场景 Sentinel-1 SAR 图像中的舰船检测结果。

表1比较了 Lite-YOLOv5 和其他八个先进检测器在 NVIDIA  RTX  3090 地面工作站上的性能，与其他八个检测器相比，Lite-YOLOv5 模型尺寸明显更小，具有最高的 AP 值。

表1. 不同检测器在地面工作站上的性能对比。

研究总结

本文对星载 SAR 舰船检测展开了研究，提出了一种轻量级星载 SAR 舰船检测器Lite-YOLOv5，利用嵌入式平台 NVIDIA Jetson TX2 评估了 Lite-YOLOv5 的星载 SAR 舰船检测性能。研究表明，Lite-YOLOv5 可以实现 2.38M 模型体积 (即 YOLOv5 模型体积的14.18%) 的轻量级架构、更低计算成本 (即 YOLOv5 FLOPs 的26.59%) 和更高检测精度 (与 YOLOv5 相比，F1 提高了1.51%) 的星载舰船检测。因此，Lite-YOLOv5 可以提供高性能的星载 SAR 舰船检测，这对于紧急海难救援、实时海运调度等应用领域具有重要意义。

Remote Sensing 期刊介绍

主编：Prasad S. Thenkabail, USGS Western Geographic Science Center (WGSC), USA

期刊范围涵盖遥感科学所有领域，从传感器的设计、验证和校准，到遥感在地球科学、环境生态、城市建筑等各方面的广泛应用。

2021 Impact Factor：5.349

2021 CiteScore：7.4

Time to First Decision：19.7 Days

Time to Publication：44 Days