中文标题：基于自监督强化学习的SAR距离压缩域舰船目标检测方法

英文标题：Self-Supervised Reinforcement Learning for Ship Detection in SAR Range-Compressed Domain

来源期刊：雷达学报

基金项目：国家自然科学基金 (62001480，62471475)，湖南省自然科学基金(2024JJ4045)，湖南省科技创新计划项目(2024RC3124)

作  者：谭向东, 冷祥光, 熊博莅, 计科峰, 匡纲要

作者单位：国防科技大学电子科学学院 长沙 410073

摘  要：合成孔径雷达(SAR)具备全天时全天候的海上监视能力。在距离压缩域(RCD)直接进行舰船目标检测，可规避计算密集的成像步骤(如距离徙动校正与方位压缩)，从而显著提升处理效率，适用于近实时或实时处理场景。然而，现有检测方法存在固有局限：一方面，传统恒虚警率(CFAR)检测器依赖于固定统计模型，在复杂海杂波环境下表现不佳；另一方面，深度学习方法普遍存在依赖已标注数据、解释性弱以及相位信息利用不充分等问题。为此，该文提出了一种基于自监督强化学习的SAR距离压缩域舰船目标检测框架，有效融合雷达电磁散射模型与深度强化学习优势，在提升检测性能的同时增强模型的解释性与泛化能力。该框架具有以下特点：(1)引入统计模型约束的奖励信号生成机制，实现了无需人工标注的自监督学习；(2)设计双模态特征融合模块，能够联合表征幅度与相位信息，有效保留舰船的多普勒特征；(3)提出轻量化的智能体模块，集成轻量化Q网络、自适应特征增强模块和鉴别器网络，在降低计算复杂度的同时满足实时处理需求，并借助对抗性训练增强模型的鲁棒性。实验结果表明，所提方法在近20k×20k像素的大场景SAR距离压缩域数据上的平均推理时间仅为31.75 s，计算量仅为二维卷积神经网络的23.81%。在复数RCD数据集上，该方法的F1分数与召回率分别达到50.72%和54.28%，相较于主流自监督检测方法提升了8.76%和10.45%。该研究首次将强化学习引入SAR距离压缩域舰船检测，通过信号模型与数据驱动学习的结合，为实现稳健的海上监视提供了新思路。

全文链接： https://radars.ac.cn/cn/article/doi/10.12000/JR25185