基于時頻域深度網(wǎng)絡(luò)的海面小目標(biāo)特征檢測

李 驍， 施賽楠， 董澤遠(yuǎn)， 楊 靜

(南京信息工程大學(xué)電子與信息工程學(xué)院, 江蘇南京 210044)

0 引言

目前，小船、快艇、無人船等海面小目標(biāo)已成為海洋雷達(dá)探測的重點(diǎn)和難點(diǎn)對象。不同于艦船、貨輪等大型目標(biāo)，這些小目標(biāo)的物理尺寸較小且具有隱身材料，使得信雜比(Signal-to-Clutter Ratio, SCR)往往臨界可檢測。因此，海面小目標(biāo)檢測的關(guān)鍵在于累積目標(biāo)功率和抑制海雜波。

在雷達(dá)信號處理中，長時觀測累積是提高海面小目標(biāo)檢測性能的一種有效途徑。當(dāng)觀測時間達(dá)到幾百毫秒甚至秒級時，海雜波和目標(biāo)的統(tǒng)計(jì)特性相對于幾十毫秒的短時具有較大變化。從時域角度，短時下具有恒定紋理的球不變隨機(jī)向量(Sphere Invariant Random Vector, SIRV)模型已不再適用，海雜波幅度建模為具有時變紋理的復(fù)合高斯模型，因而很難從概率密度出發(fā)獲得最優(yōu)或近最優(yōu)檢測器。目標(biāo)幅度時間序列隨時間動態(tài)變化且存在相關(guān)性。從頻域角度，長時下的海雜波和目標(biāo)的多普勒譜具有較高的分辨率。海雜波頻譜占據(jù)較大的帶寬且呈現(xiàn)出主雜波區(qū)和噪聲區(qū)，運(yùn)動剛體目標(biāo)的頻譜占據(jù)較小的帶寬且能量聚集性高。從時頻域角度，空時變的海雜波頻譜過程可建模為隨機(jī)過程，而目標(biāo)的能量匯聚在瞬時頻率曲線上?？紤]到海面小目標(biāo)低速運(yùn)動且非勻速運(yùn)動，瞬時頻率曲線可建模為線性調(diào)頻(Linear Frequency Modulation, LFM)模型。同時，學(xué)者們引入了微多普勒理論刻畫了海面剛體目標(biāo)特性，細(xì)化為轉(zhuǎn)動分量和平動分量等微動特性。因此，時頻域蘊(yùn)含著更多的海雜波和目標(biāo)特性，從理論上保證了目標(biāo)檢測性能的上升空間。

目前，長時觀測累積下海面目標(biāo)檢測方法主要分為以下三大類。第一類，基于分形理論的檢測方法，適用于秒級以上觀測條件。根據(jù)海雜波的多尺度分形特性，Hu提出基于Hurst指數(shù)的海面目標(biāo)檢測方法，Li提出頻域分形特性的目標(biāo)檢測方法。第二類，基于多維特征的目標(biāo)檢測方法。Shui提出基于三特征檢測器以及特征檢測框架，聯(lián)合了1個時域能量和2個頻域幾何特征。Shi提出了基于時頻域的三特征檢測器，凝聚了海雜波和含目標(biāo)回波在時頻域差異性。Li提出一種基于改進(jìn)SVM的三特征檢測方法，Zhou提出基于決策樹的三特征檢測，兩者都需要搜索最優(yōu)的參數(shù)進(jìn)行虛警控制。這類方法需要人為提取特征，提取的特征往往是經(jīng)驗(yàn)的、定性的和不完備的。第三類，基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)的智能檢測方法。Su將時頻圖作為CNN的輸入，用于多種海面機(jī)動目標(biāo)檢測和分類中，并用仿真數(shù)據(jù)進(jìn)行了驗(yàn)證。Mou將平面位置顯示器(PPI)圖像作為輸入，實(shí)現(xiàn)基于INet的雜波抑制和中小型船的檢測。Shi提出基于時頻圖自主學(xué)習(xí)的檢測方法，歸一化預(yù)處理增大了海雜波和含目標(biāo)回波在時頻圖上的差異性。這類智能檢測方法是提升檢測性能的有效途徑，其難點(diǎn)在于網(wǎng)絡(luò)分類器虛警控制以及圖預(yù)處理。

1 時頻域三分類檢測問題

1.1 歸一化預(yù)處理

假設(shè)雷達(dá)在一個距離單元接收到個脈沖向量=[(1),(2),…,()]，即待檢測單元(Cell Under Test, CUT)。本質(zhì)上，檢測問題為二元假設(shè)檢驗(yàn)問題：

(1)

式中，，分別為海雜波向量和目標(biāo)向量，為CUT周圍的個參考單元，用于提供海雜波信息。

對于一維時域向量，采用平滑偽魏格納-維爾分布將其轉(zhuǎn)換成時頻圖(Time-Frequency Graph, TFG)，計(jì)算公式為

=1,2,…,

(2)

式中，和分別是時間和頻率的平滑窗，為歸一化多普勒頻率的采樣間隔。

在時頻域，空時變的海雜波可認(rèn)為是隨機(jī)過程，其低階統(tǒng)計(jì)特性可由均值和標(biāo)準(zhǔn)差表示。為了實(shí)現(xiàn)CUT中的海雜波抑制，歸一化時頻圖(Normalized TFG, NTFG)定義為

(3)

(4)

在2D平面上，歸一化實(shí)現(xiàn)了海雜波在不同頻點(diǎn)和時間點(diǎn)上的不同程度抑制，保證主雜波帶最大程度被抑制。因此，歸一化處理后的海雜波均勻分布在整個平面上，相當(dāng)于白化過程。

在圖1(a)中，實(shí)測海雜波的主雜波占據(jù)較大的帶寬，帶寬中心由其徑向運(yùn)動速度決定。圖1(d)是歸一化預(yù)處理后的海雜波NTFG，主雜波完全被抑制。在圖1(b)中，目標(biāo)的能量聚集在瞬時頻率曲線上，落在海雜波主雜波帶外呈現(xiàn)為亮直線。在圖1(e)中，歸一化處理只抑制了海雜波，從而提高了SCR。由于感興趣海面小目標(biāo)的運(yùn)動速度較慢，很大概率會出現(xiàn)目標(biāo)落在主雜波帶內(nèi)的情況，如圖1(c)所示。在圖1(f)中，歸一化預(yù)處理同時抑制主雜波和目標(biāo)。此時，含目標(biāo)回波NTFG包含明顯的均分分布雜波，與海雜波NTFG差異性較小。因此，有必要進(jìn)一步精細(xì)化區(qū)分目標(biāo)落在主雜波帶內(nèi)外的不同情況。

圖1 時頻域歸一化處理演示

1.2 三分類檢測問題

實(shí)際雷達(dá)探測時，由于海洋動態(tài)環(huán)境的復(fù)雜性和無法預(yù)判目標(biāo)存在性，無法獲得目標(biāo)是否落在主雜波帶內(nèi)的先驗(yàn)知識。因此，本文將整個頻域取值劃分為正多普勒值和負(fù)多普勒值兩大類，分別對應(yīng)目標(biāo)靠近雷達(dá)運(yùn)動和遠(yuǎn)離雷達(dá)運(yùn)動的情況。按照上述規(guī)則，海雜波和含目標(biāo)的頻域分布情況如表1所示。在無需先驗(yàn)知識的情況下，能夠完全分開考慮目標(biāo)是否落在主雜波帶內(nèi)的情況，為進(jìn)一步精細(xì)化時頻域特性提供了潛在的可能。

表1 時頻域目標(biāo)和主雜波帶關(guān)系

在時頻域中，式(1)中檢測問題可轉(zhuǎn)換為更加精細(xì)化的三分類問題，即

(5)

式中，H假設(shè)表示只有海雜波，H假設(shè)和H假設(shè)分別表示目標(biāo)多普勒偏移為正和負(fù)。相對于原始的歸一化時頻圖，三分類問題進(jìn)一步精細(xì)化了目標(biāo)頻譜與海雜波主雜波帶的關(guān)系，能夠更加深入地去挖掘三類的隱含差異性。

2 基于深度網(wǎng)絡(luò)的特征檢測器

目前，CNN已廣泛運(yùn)用于計(jì)算機(jī)視覺、模式識別、圖像處理等領(lǐng)域，比如AlexNet、GoogeLeNet、ResNet等。GoogLeNet中的Inception結(jié)構(gòu)，可在同一層上獲得稀疏或非稀疏的特征，具有良好的性能。ResNet結(jié)構(gòu)能夠加速訓(xùn)練且提升性能。因此，本文引入Inception-ResNet V2(簡記為IRV2)網(wǎng)絡(luò)作為特征提取器，結(jié)合了Inception結(jié)構(gòu)和ResNet的優(yōu)勢，具有較好的分類特性。

2.1 特征檢測器結(jié)構(gòu)

圖2給出了基于IRV2的特征檢測器(Feature Detector，簡稱 IRV2-FD)的流程圖。在檢測分支中，CUT向量轉(zhuǎn)換到時頻域中，并通過歸一化預(yù)處理作為深度網(wǎng)絡(luò)三分類器的輸入，實(shí)現(xiàn)對NTFG的特征提取，濃縮為一個2D特征向量。最終，落在判決區(qū)域外為含目標(biāo)回波，反之為海雜波。

圖2 基于IRV2-FD檢測器流程圖

在訓(xùn)練分支中，主要任務(wù)是產(chǎn)生三類訓(xùn)練樣本，搭建深度網(wǎng)絡(luò)模型，訓(xùn)練學(xué)習(xí)獲取最優(yōu)的網(wǎng)絡(luò)參數(shù)。不同于海雜波數(shù)據(jù)可大量獲得，空間稀疏的目標(biāo)回波一般很難大量獲得。因此，根據(jù)長時下真實(shí)小目標(biāo)瞬時頻率曲線特性，采用半仿真模型獲得大量H假設(shè)和H假設(shè)下的含目標(biāo)回波數(shù)據(jù)，即

(6)

式中，為雷達(dá)波長，為脈沖重復(fù)周期，為初始相位，和分別為個脈沖觀測時間內(nèi)的初始速度和末速度，與多普勒偏移成正比。在時頻域，仿真目標(biāo)的幾何特性基本和真實(shí)目標(biāo)一致，并且表現(xiàn)出主雜波內(nèi)外的精細(xì)化差異性。此外，訓(xùn)練分支為檢測分支提供了給定虛警率下的判決區(qū)域。整個算法的創(chuàng)新在于深度網(wǎng)絡(luò)三分類器和具有引導(dǎo)的三次樣條曲線算法。

2.2 深度網(wǎng)絡(luò)特征提取

根據(jù)雷達(dá)目標(biāo)檢測中的NP準(zhǔn)則，在給定虛警率下，獲得最大的檢測概率。若直接引入深度網(wǎng)絡(luò)進(jìn)行分類識別，將無法控制虛警率。因此，本文將深度網(wǎng)絡(luò)作為特征提取器，用于提取圖像濃縮后的特征向量，從而將檢測問題轉(zhuǎn)換為2D特征空間中的異常檢測問題。

圖3 IVR2網(wǎng)絡(luò)模型結(jié)構(gòu)

圖3給出了IRV2深度網(wǎng)絡(luò)模型的結(jié)構(gòu)，主要包括Stem模塊、Reduction-A以及Reduction-B兩個網(wǎng)格縮減模塊，5個Inception-resnet模塊A、10個Inception-resnet模塊B、5個Inception-resnet 模塊C、平均池化模塊、Dropout模塊以及Softmax模塊。為了提高網(wǎng)絡(luò)分類性能，Inception-resnet模塊內(nèi)部引入了殘差連接方式，明顯加快神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度，而且一定程度上緩解了由于網(wǎng)絡(luò)過深造成的梯度消失問題。因此，IRV2深度網(wǎng)絡(luò)集成了Inception結(jié)構(gòu)和殘差網(wǎng)絡(luò)的優(yōu)勢，具有較好的分類性能。

此外，根據(jù)輸入訓(xùn)練數(shù)據(jù)的類別不同，IRV2網(wǎng)絡(luò)可以實(shí)現(xiàn)多分類問題。一旦輸入不同類別的圖和標(biāo)簽，該網(wǎng)絡(luò)就可以開始自動學(xué)習(xí)不同類別中的差異性。通過多次迭代學(xué)習(xí)和更新，最終獲得最優(yōu)的網(wǎng)絡(luò)參數(shù)。

當(dāng)深度網(wǎng)絡(luò)獲得最優(yōu)網(wǎng)絡(luò)參數(shù)后，該網(wǎng)絡(luò)可作為多分類器用于提取特征。在時頻域公式(5)問題下，本文中的IRV2深度網(wǎng)絡(luò)為三分類器。那么，對于CUT的NTFG輸入，深度網(wǎng)絡(luò)將輸出屬于H,H,H三個類別的概率值，記為,,，且滿足++=1。因此，構(gòu)建一個2D特征向量

=[,],,∈[0,1]

(7)

作為統(tǒng)計(jì)量。

2.3 具有引導(dǎo)的三次樣條曲線判決區(qū)域

在2D特征空間中，很難從概率密度上獲得理論判決區(qū)域。因此，借助蒙特卡洛試驗(yàn)方法，獲得三類訓(xùn)練樣本的特征向量。由于H假設(shè)和H假設(shè)的訓(xùn)練樣本由仿真獲得，本文將H假設(shè)樣本作為正常樣本，獲得具有目標(biāo)引導(dǎo)的三次樣條曲線判決區(qū)域。

假設(shè)獲得H假設(shè)和H假設(shè)下樣本各個，兩類的類別中心為

(8)

在H假設(shè)下，第個樣本距離兩類目標(biāo)假設(shè)的類別中心的最短距離為

(9)

式中，(,)=‖-‖計(jì)算兩個向量的歐氏距離。最短距離值越小，樣本屬于含目標(biāo)回波的概率越大。

在給定虛警率下，計(jì)算H假設(shè)下所有樣本的最短距離，并從小到大排序，虛警樣本集合為

fa={|H,=1,2,…,[×]}

(1|H)≤(2|H)≤…≤(|H)

(10)

式中，[]表示取整。這就意味著虛警可控的判決區(qū)域只包含以下樣本集

={|H,=[×]+1,…,Q},

∩fa=?

(11)

并且，虛警樣本集全部在判決區(qū)域外。

在2D特征空間中，采用三次樣條曲線獲取判決區(qū)域。該算法的核心在于分段擬合樣條曲線，保證樣條邊界形狀變化自由。具體算法步驟如下：

步驟1 尋找樣條控制點(diǎn)

根據(jù)值，將樣本集劃分到個等寬區(qū)間中，其中，第個區(qū)間記為

=[10lg]

(12)

將各個區(qū)間最值點(diǎn)作為樣條控制點(diǎn)。若區(qū)間無樣本時，則不設(shè)置控制點(diǎn)。

步驟2 分段擬合樣條函數(shù)

對所有區(qū)間的樣條控制點(diǎn)按值升序排列，從最小值開始進(jìn)行滑窗分組，窗長為4。每組中，4個點(diǎn)的和分別對應(yīng)和值，采用三次多項(xiàng)式擬合

=+++

(13)

式中，,,,為擬合參數(shù)。選擇每組最大值點(diǎn)作為分段函數(shù)起始點(diǎn)，對所有組數(shù)據(jù)進(jìn)行擬合后，得到完整的樣條曲線。

步驟3 檢查樣條邊界

將H假設(shè)下全部樣本數(shù)據(jù)代入邊界驗(yàn)證正確性，保證只有虛警點(diǎn)在判決區(qū)域外面。若存在某個樣本向量錯誤，微調(diào)所在分段的樣條控制點(diǎn)，迭代更新邊界。

步驟4 優(yōu)化樣條邊界

在保證樣條邊界劃分正確前提下，通過減小全部樣條控制點(diǎn)擬合時維度數(shù)值，實(shí)現(xiàn)樣條邊界內(nèi)部收縮，不斷迭代優(yōu)化邊界。直到邊界發(fā)生錯誤時停止收縮，最終獲得最優(yōu)判決區(qū)域。

圖4給出了2D特征空間中判決區(qū)域示意圖。海雜波訓(xùn)練樣本共10 230個，虛警率=10。根據(jù)H假設(shè)和H假設(shè)的訓(xùn)練樣本中心引導(dǎo)，獲得10個虛警樣本，標(biāo)注為紅色圓圈。按照遠(yuǎn)離目標(biāo)區(qū)域進(jìn)行優(yōu)化迭代，最終獲得基于三次樣條曲線的判決區(qū)域邊界。為了清楚顯示，右下角圖為判決區(qū)域邊界紅色框圖放大部分。該樣條邊界由22段三次曲線聯(lián)合構(gòu)成，實(shí)現(xiàn)判決區(qū)域形狀的非凸性。

圖4 2D特征空間判決區(qū)域示意圖

3 實(shí)驗(yàn)結(jié)果和分析3.1 實(shí)測數(shù)據(jù)時頻域特性

1993年，加拿大McMaster大學(xué)將IPIX雷達(dá)架設(shè)在大西洋海岸上進(jìn)行采集數(shù)據(jù)，該數(shù)據(jù)庫已是國內(nèi)外公認(rèn)的海面小目標(biāo)測試集。X波段雷達(dá)工作在駐留模式下，脈沖重復(fù)頻率1 000 Hz，距離分辨率30 m。測試目標(biāo)為被金屬絲包裹的直徑1 m的小球，隨海浪漂浮。

圖5給出了2組實(shí)測數(shù)據(jù)HH極化下的時域和時頻域特性。對于#17數(shù)據(jù)，風(fēng)速為9 km/h，有效浪高1.1 m。在時域，目標(biāo)位于第9個距離單元，SCR約為17 dB，但一半以上時間目標(biāo)被海浪遮擋。在時頻域，海雜波主雜波帶位于(-100 Hz, 0 Hz)內(nèi)，目標(biāo)瞬時頻率曲線在零頻點(diǎn)附近波動。因此，目標(biāo)很大概率落在主雜波帶內(nèi)。對于#310數(shù)據(jù)，風(fēng)速為33 km/h，有效浪高0.9 m。在時域，目標(biāo)位于第7個距離單元，SCR約為2.3 dB。在時頻域，海雜波主雜波帶在(-250 Hz, 20 Hz)內(nèi)，目標(biāo)瞬時頻率曲線全部落在主雜波帶外。

圖5 實(shí)測數(shù)據(jù)時域和時頻域特性

3.2 檢測結(jié)果和分析

實(shí)驗(yàn)中，設(shè)置=256，虛警率=10，參考單元=9。為了獲得三類數(shù)據(jù)的訓(xùn)練樣本，H假設(shè)下仿真目標(biāo)多普勒偏移在(0 Hz, 500 Hz)內(nèi)隨機(jī)產(chǎn)生，而H假設(shè)下在(-500 Hz, 0 Hz)內(nèi)隨機(jī)產(chǎn)生。

圖6和圖7分別是6種檢測器在2組實(shí)測數(shù)據(jù)下的檢測結(jié)果。在圖6(a)和圖7(a)中，基于Hurst指數(shù)檢測器幾乎無法工作，這主要源于單個特征局限以及累積時間未達(dá)幾秒以上。在圖6(b)和圖7(b)中，基于三特征檢測器在聯(lián)合了時域和頻域特征后，明顯性能有了較大的性能提升，這就說明了多特征聯(lián)合檢測的有效性。需要指出的是特征類檢測器高度依賴于人為特征提取，具有經(jīng)驗(yàn)性和不完備性。因此，采用深度網(wǎng)絡(luò)自主學(xué)習(xí)將是特征類檢測器一種潛在的性能提升途徑。

圖6 #17數(shù)據(jù)下的檢測結(jié)果(N=256, Pfa=10-3)

圖7 #310數(shù)據(jù)下的檢測結(jié)果(N=256, Pfa=10-3)

在圖6(c)和圖7(c)中，基于AlexNet檢測器對時頻圖進(jìn)行學(xué)習(xí)和分類，并采用一類概率進(jìn)行虛警控制。相對于三特征檢測器，該檢測器在2組數(shù)據(jù)下性能分別從0.466降低到0.401以及從0.519到0.506。前者是因?yàn)?17數(shù)據(jù)中目標(biāo)很大概率落在主雜波帶內(nèi)，后者因?yàn)?310數(shù)據(jù)的目標(biāo)落在主雜波帶外但功率很低。在圖6(d)和圖7(d)中，本文添加了基于IRV2-TFD檢測器，與AlexNet檢測器只有CNN網(wǎng)絡(luò)不同。結(jié)果表明，IRV2比AlexNet更能學(xué)習(xí)到不同類別的特性，這來源于其深度網(wǎng)絡(luò)的優(yōu)勢。因此，當(dāng)引入CNN網(wǎng)絡(luò)對時頻圖進(jìn)行智能類檢測時，可從兩個方面進(jìn)行提升性能。一方面，對時頻圖進(jìn)行預(yù)處理，以增大不同類別的差異性，更適合學(xué)習(xí)。另一方面，從網(wǎng)絡(luò)層面考慮，提升CNN網(wǎng)絡(luò)的分類識別性能。

在圖6(e)和圖7(e)中，ALTFG檢測器對時頻圖進(jìn)行歸一化預(yù)處理且采用了深度網(wǎng)絡(luò)Inception V3模型。對于#17數(shù)據(jù)，ALTFG檢測器檢測概率為0.409，相對于IRV2-TFD檢測器下降了9.5%。對于#310數(shù)據(jù)，ALTFG檢測器檢測概率為0.885，相對于IRV2-TFD檢測器性能提升了32%。這兩組數(shù)據(jù)檢測概率的差異性，根本原因在于這兩組數(shù)據(jù)中時頻域目標(biāo)頻譜與海雜波主雜波帶的位置不同。因此，當(dāng)目標(biāo)落在主雜波帶外時，歸一化預(yù)處理能大幅度提升SCR。因此，區(qū)別對待目標(biāo)是否落在海雜波主雜波帶的兩種情況是非常有意義的。

在圖6(f)和圖7(f)，相對于ALTFG檢測器，提出的IRV2-FD檢測器性能分別從0.409提升到0.642，從0.885到0.948，具有50%和7%性能提升。性能提升主要來源于三個方面。第一，在繼承了歸一化預(yù)處理優(yōu)勢的基礎(chǔ)上，建立三分類分類器提取特征，進(jìn)一步精細(xì)化學(xué)習(xí)了目標(biāo)落在主雜波帶內(nèi)外的差異性特性。第二，將深度網(wǎng)絡(luò)作為自主特征提取器，能夠自主學(xué)習(xí)二維圖的隱層特性，相對于傳統(tǒng)人為特征提取的方式優(yōu)勢更大。第三，在2D特征空間中，提出了具有目標(biāo)引導(dǎo)的三次樣條曲線方法，能夠獲得非凸性的判決區(qū)域。同時，融合了深度網(wǎng)絡(luò)和多維特征技術(shù)，改變了傳統(tǒng)學(xué)習(xí)網(wǎng)絡(luò)檢測的思路。

最后，討論提出檢測器的運(yùn)算復(fù)雜度，其主要運(yùn)算消耗在于離線訓(xùn)練過程中深度網(wǎng)絡(luò)模型的參數(shù)優(yōu)化過程。因此，本文測試了兩類學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練時間和單個樣本平均測試時間。在Window10系統(tǒng)下NVIDIA GeForce RTX 2080 Ti顯卡，Python 3.6, CUDA 10.0, CUDNN 7.6, Tensorflow-GPU 1.14環(huán)境架構(gòu)。Alexnet網(wǎng)絡(luò)的訓(xùn)練時間為1 084 s，IRV2的訓(xùn)練時間為全部數(shù)據(jù)進(jìn)行一次完成訓(xùn)練的平均時間為1 254 s。IRV2網(wǎng)絡(luò)和AlexNet的訓(xùn)練時間處于一個量級，但是前者比后者的網(wǎng)絡(luò)深度要深很多，這主要源于Inception模塊和殘差網(wǎng)絡(luò)加快了訓(xùn)練過程。在檢測分支中，AlexNet網(wǎng)絡(luò)和IRV2網(wǎng)絡(luò)的單個樣本平均測試時間是0.64 s和0.18 s，這是IRV2網(wǎng)絡(luò)采用了批處理的優(yōu)勢。

4 結(jié)束語

本文提出了一種基于IRV2深度網(wǎng)絡(luò)的海面目標(biāo)檢測方法。將深度網(wǎng)絡(luò)作為特征提取器，精細(xì)化學(xué)習(xí)了目標(biāo)落在主雜波帶內(nèi)外的不同特性。并且，提出具有引導(dǎo)的三次樣條曲線判決區(qū)域劃分，實(shí)現(xiàn)異常檢測。該檢測器融合了深度網(wǎng)絡(luò)和特征檢測優(yōu)勢，將是后續(xù)進(jìn)一步海面小目標(biāo)性能提升的潛在途徑。