文章摘要:基于深度学习的合成孔径雷达（Synthetic Aperture Radar， SAR）船舶检测方法目前大多依赖于强大的图形处理器来实现良好的检测精度，却忽略了检测速度和算法的部署应用。针对上述问题，本文提出一种有效增强感受野的轻量化SAR船舶检测算法。首先，使用ShuffleNetV2作为主干特征提取网络，有利于减小计算参数量和模型大小；其次，引入改进型空间金字塔池化模块与空间注意力模块，有效扩大模型感受野，进一步挖掘船舶特征信息；然后，采用改进的路径聚合网络，自底向上传递更丰富的船舶定位特征，增加浅层位置信息和多尺度特征，进一步提高模型的特征提取能力；最后，使用SAR船舶数据集对本文算法进行验证，实验结果表明，模型大小为5.3 MB，平均检测精度可达94.7%，检测速度为46 FPS，同时满足了高精度、高实时性和易移植性。

文章关键词:

项目基金: