Pour la tâche de détection de cibles dans les images SAR (Radar à Synthèse d’Ouverture) dans des scénarios complexes, cet article part de l’amélioration de la perception du réseau et de la capacité à capturer les cibles. Inspiré par les méthodes traditionnelles de détection SAR, et basé sur le réseau de détection d’objets sans ancre à étape unique entièrement convolutionnel FCOS (Fully Convolutional One-Stage Object Detection), une nouvelle méthode appelée Tri-GCA-FCOS (Triple Gradient-CFAR-Attention FCOS) est proposée. Cette méthode intègre un mécanisme d’attention supervisé fusionnant les caractéristiques des bords en gradient et celles de forte diffusion dans les images SAR. Premièrement, en tenant compte des caractéristiques propres aux images SAR et des limites du réseau de base, une branche d’attention supervisée par les véritables étiquettes a été conçue pour mieux adapter la tâche de détection SAR ; ensuite, en s’appuyant sur une architecture multi-flux et un module de fusion d’attention canal-espatial interactif à trois branches T-ICSAF (Tri-channel Interactive Channel-Spatial Attention Fusion), les caractéristiques des gradients des bords et de la forte diffusion des images SAR sont pleinement exploitées pour améliorer la représentation des caractéristiques des cibles ; enfin, pour traiter le problème des caractéristiques additionnelles de bruit de fond induites par les propriétés des images SAR, un module CSSCAM (Combining Supervised-Spatial And SE Channel Attention Mechanism) combinant l’attention spatiale supervisée et l’attention canale SE (Squeeze-and-Excitation) supervisée par les étiquettes GT (Ground Truth) est proposé afin d’obtenir des caractéristiques améliorées qui renforcent les cibles et suppriment efficacement le bruit de fond pour la tâche de prédiction. La structure du réseau proposée réalise l’entraînement conjoint de bout en bout et, à travers des expérimentations sur des données réelles MiniSAR (Miniature Synthetic Aperture Radar), démontre pleinement l’efficacité de la méthode ainsi qu'une meilleure performance pour la détection de cibles dans des scénarios complexes.

Radar à Synthèse d’Aperture; Détection d’objets; Détecteur d’objets monostade entièrement convolutionnel; Image d’amplitude du gradient; Détection de fausses alarmes fixes