A detecção de alvos em imagens SAR tem sido um tema de pesquisa relevante nos últimos anos, mas a característica de imagens pouco nítidas faz com que o modelo de rede DETR não consiga extrair bem suas características latentes, além de apresentar ciclos longos de treinamento e convergência lenta. Para isso, foi projetada uma rede DETR baseada em atribuição multilabel (Multi-label Assignment DETR, MA-DETR) para a tarefa de detecção de alvos de aeronaves em imagens SAR. Este artigo utiliza um módulo de aumento de dados com jitter em grande escala (Large Scale Jittering, LSJ) para melhorar o treinamento da rede, e em seguida desenha um módulo de supervisão de atribuição multilabel para processar os dados de saída do codificador, no qual múltiplas cabeças auxiliares de supervisão extraem características latentes e as enviam ao decodificador para melhorar as limitações da atribuição de rótulos um-para-um da rede DETR. Por fim, um módulo de aprimoramento de correspondência foi adicionado ao decodificador para aliviar a discretização de correspondência causada pelo algoritmo de correspondência húngaro e acelerar a velocidade de convergência da perda do treinamento da rede. Os resultados experimentais mostram que, no conjunto de dados SAR AIRcraft, em comparação com o método original, o método proposto aumenta a precisão AP0.5 e AP0.75 em 7,9% e 7,4%, respectivamente, enquanto que, com a mesma rede treinada, a velocidade de convergência da perda é 3,3 vezes maior. A nova arquitetura de rede melhora efetivamente a precisão da detecção de alvos em imagens SAR e reduz o ciclo de treinamento da rede DETR.

Detecção de alvos;Imagens SAR;Rede DETR;Mecanismo de atenção