基于改进YOLOv5的船舶多尺度SAR图像检测算法

针对复杂场景下合成孔径雷达（Synthetic aperture radar， SAR）图像船舶目标像素尺度差异大和船舶密集排列造成目标漏检的问题，提出一种基于改进YOLOv5的船舶多尺度SAR图像检测算法。对于YOLOv5的颈部网络，采用双向特征金字塔结构（Bi-directional feature pyramid network， BiFPN）提升网络多尺度特征融合能力，并在其自下而上的特征融合支路中，基于深度可分离卷积（Depthwise separable convolution， DSC）和通道MLP构建EC-MLP（Enhanced channel-MLP）模块，从而丰富语义信息，提供更充分的船舶目标上下文特征；引入全局注意力机制（Global attention mechanism， GAM），使网络对输入特征进行针对性提取并运算，减少网络的信息丢失；此外，使用SIoU损失函数进一步提高网络的训练收敛速度和检测精度。在SSDD和HRSID数据集上与其他8种方法（Faster R-CNN、Libra R-CNN 、FCOS、YOLOv5s、PP-YOLOv2、YOLOX-s、PP-YOLOE-s和YOLOv7-tiny）进行对比实验。实验结果表明：改进后算法在SSDD数据集上的AP50达到了96.7%，在HRSID数据集上AP50达到了95.6%，优于对比方法。