基于改进型YOLOv11的SAR图像船舶小目标鲁棒检测方法、系统、存储介质和电子设备技术方案

本发明专利技术公开了一种基于改进型YOLOv11的SAR图像船舶小目标鲁棒检测方法、系统、存储介质和电子设备，包括如下步骤：在主干网络末端嵌入S2‑MLPv2模块，通过空间位移操作与动态滤波抑制斑点噪声；以SAFMN模块替换传统上采样，结合可变形卷积与门控机制增强多尺度特征融合能力；引入SimAM无参注意力模块，基于能量函数自适应聚焦船舶纹理与几何特征；设计TSIoU损失函数，融合中心点对角线距离与端点距离度量，优化边界框回归精度；应用切片辅助推理策略，通过多尺度切片与并行检测提升小目标召回率。本方法解决现有技术中噪声干扰强、小目标特征提取不充分、多尺度适应性差及收敛效率低的问题。

【技术实现步骤摘要】

本专利技术涉及合成孔径雷达(sar)图像处理，尤其涉及一种基于改进型yolov11的sar图像船舶小目标鲁棒检测方法、系统、存储介质和电子设备，适用于复杂海洋环境下低分辨率、高噪声干扰场景中的小目标识别。

技术介绍

1、合成孔径雷达(sar)作为一种全天候、高分辨率的主动微波遥感技术，在船舶监测、海洋交通管理等领域具有重要应用价值。然而，sar图像中的船舶小目标检测面临严峻挑战：一方面，sar成像机制易受相干斑噪声干扰，导致图像质量下降，尤其在复杂海况或低干噪比环境下，目标特征与背景噪声难以区分；另一方面，船舶小目标在图像中占据像素少、纹理信息弱，传统卷积神经网络在深层特征提取时易造成细节丢失，导致漏检或误检。此外，多尺度船舶目标的尺寸差异显著，现有检测模型在特征融合过程中常因感受野固定或上采样方法单一，难以有效捕捉不同尺度目标的空间关联，进一步制约检测精度。

2、当前基于深度学习的目标检测算法虽取得一定进展，但仍存在局限性。以yolo系列为代表的单阶段检测模型虽具备实时性优势，但其主干网络对噪声抑制能力不足，且颈部网络在特征金字塔构建时易出现本文档来自技高网...

【技术保护点】

1.基于改进型YOLOv11的SAR图像船舶小目标鲁棒检测方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的基于改进型YOLOv11的SAR图像船舶小目标鲁棒检测方法，其特征在于，所述的步骤S101具体包括如下步骤：将原始标注转换为YOLO格式的TXT文件，包含归一化的边界框坐标和类别索引；此过程涉及坐标归一化至[0,1]区间，并过滤无效或损坏的标签；保持图像原始宽高比，填充边缘至固定尺寸；通过Mosaic增强和图像几何变化模拟多目标场景，提升小目标检测能力。

3.根据权利要求1所述的基于改进型YOLOv11的SAR图像船舶小目标鲁棒检测方法，其特征在于，...

【技术特征摘要】

1.基于改进型yolov11的sar图像船舶小目标鲁棒检测方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的基于改进型yolov11的sar图像船舶小目标鲁棒检测方法，其特征在于，所述的步骤s101具体包括如下步骤：将原始标注转换为yolo格式的txt文件，包含归一化的边界框坐标和类别索引；此过程涉及坐标归一化至[0,1]区间，并过滤无效或损坏的标签；保持图像原始宽高比，填充边缘至固定尺寸；通过mosaic增强和图像几何变化模拟多目标场景，提升小目标检测能力。

3.根据权利要求1所述的基于改进型yolov11的sar图像船舶小目标鲁棒检测方法，其特征在于，所述的步骤s102中，还包括如下步骤，在颈部网络中，以safmn模块替代传统双线性上采样，其核心为3×3，扩张率2的可变形卷积核与门控单元：可变形卷积动态调整感受野以捕捉多尺度目标，门控单元通过sigmoid函数加权特征传递路径，减少梯度消失。

4.根据权利要求1所述的基于改进型yolov11的sar图像船舶小目标鲁棒检测方法，其特征在于，所述的步骤s102具体还包括如下步骤，在特征融合阶段，嵌入simam无参注意力模块，基于能量函数计算三维注意力权重，聚焦船舶纹理与几何特征，抑制背景干扰。

5.根据权利要求1所述的基于改进型yolov11的sar图像船舶小目标鲁棒检测方法，其特征在于，所述步骤s102中损失函数的改进具体包括如下步骤：将yolov11网络模型的损失函数ciou替换为基于siou优化的损失函数tsiou，将真实框和预测框中心点的对角线与最小外包围矩形对角线比值作为中心点对角线距离度量...

【专利技术属性】
技术研发人员：侯腾宇，李杲达，王庆松，李宁，黄亚博，毋琳，
申请(专利权)人：河南大学，
类型：发明
国别省市：