Embora o método de detecção de alvos em imagens de radar de abertura sintética (SAR) baseado em redes neurais convolucionais possa alcançar uma boa precisão de detecção, a complexidade do modelo é alta, o que limita sua aplicação prática e implantação em áreas como decisões militares rápidas e resgate marítimo de emergência. Por isso, este artigo propõe um modelo ultra leve para detecção de pequenos alvos em imagens de radar. Primeiramente, foi projetado um módulo eficiente de agregação de camadas de múltiplos ramos para aprimorar a percepção multiescala e adaptar-se aos diversos recursos e capacidades computacionais dos dispositivos reais. Em segundo lugar, utilizando aprimoramento de detalhes e uma cabeça de detecção compartilhada, o foco está nas informações dos pequenos alvos, reduzindo os falsos positivos causados por interferências marítimas e terrestres. Por fim, é adotado o pruning guiado pela riqueza de características e a destilação do conhecimento para orientar o aprendizado da representação dos alvos, comprimindo ainda mais o modelo e melhorando o desempenho. Os resultados experimentais mostram que este modelo de rede utiliza 4,186 G de operações e 0,888 M de parâmetros, alcançando precisões de detecção de 89,0%, 98,1%, 82,5%, 98,6% e 91,5% nos conjuntos de dados MSAR, SAR-Ship, AIR-SARShip-2.0, SSDD e HRSID, respectivamente. O algoritmo deste artigo apresenta boa robustez, e o modelo de rede pode atingir velocidades e precisões de detecção ótimas com o menor volume possível.

imagens SAR;detecção de pequenos alvos;ultra leve;agregação eficiente de camadas de múltiplos ramos;aperfeiçoamento da cabeça de detecção compartilhada;poda e destilação do conhecimento