太阳成集团122ccvip2024级研究生郭晓鹏在遥感与地球科学领域期刊《Remote Sensing》（中科院2区）发表题为“HLNet: A lightweight network for ship detection in complex SAR environments”的研究论文。太阳成集团122ccvip为论文第一署名单位，研究生郭晓鹏为论文第一作者，其导师邓帆为论文通讯作者。

论文提出了一种用于SAR船舶检测的高效率轻量级网络架构。合成孔径雷达（SAR）图像中的相干斑点噪声，加之复杂的海杂波以及舰船目标尺度的巨大变化，给精确且稳健的舰船检测带来了重大挑战，尤其是在星载和机载平台所要求的严格轻量化约束条件下。为解决这一问题，本文提出了一种高精度轻量化检测网络，称为 High-Lightweight Net（HLNet），专门用于 SAR 舰船检测。该网络集成了一种新颖的多尺度骨干网络——Multi-Scale Net（MSNet），该骨干网络融合了动态特征补全和多核并行卷积，以减轻小目标特征损失并抑制背景干扰。为在降低模型复杂度的同时进一步增强多尺度特征融合，本文通过重构融合路径和去除冗余通道，引入了一种轻量化路径聚合特征金字塔网络High-Lightweight Feature Pyramid（HLPAFPN）。此外，本文还设计了一种轻量化检测头High-Lightweight Head（HLHead），它将分组卷积与分布焦点损失相结合，以提高低信噪比条件下的定位稳健性。在公开的 SSDD 和 HRSID 数据集上进行的大量实验表明，HLNet 仅用 0.66M 参数，就分别达到了 98.3% 和 91.7% 的 mAP₅₀分数。在更具挑战性的 CSID 子集（由从 SSDD 和 HRSID 中选取的复杂场景组成）上进行的广泛评估显示，HLNet 的 mAP₅₀达到 75.9%，比基线高出 4.3%。这些结果表明，HLNet 在检测精度和计算效率之间实现了有效的平衡，使其非常适合部署在资源受限的 SAR 平台上。

论文链接：https://www.mdpi.com/2072-4292/18/4/577

图1 HLNet的总体网络结构

图2 复杂场景下的SAR船舶检测对比实验结果。黄色圆圈表示漏检区域，蓝色圆圈表示误检区域。

图3 论文首页