복잡한 환경에서 합성 개구 레이더(SAR, Synthetic Aperture Radar) 영상 목표 탐지 과제에 대해, 본 논문은 네트워크 인지 능력 및 목표 포착 능력 향상을 출발점으로 하며, 전통적인 SAR 목표 탐지 방법에서 영감을 받아 완전 합성 단일 단계 앵커 없는 목표 탐지 기반 네트워크인 FCOS(Fully Convolutional One-Stage Object Detection)를 기반으로, 감독된 주의 메커니즘에 기초하고 SAR 영상의 그래디언트 에지 특성과 강한 산란 특성을 융합한 앵커 없는 SAR 목표 탐지 네트워크 Tri-GCA-FCOS(Triple Gradient-CFAR-Attention FCOS)를 제안한다. 먼저, SAR 영상 고유 특성과 기초 네트워크의 부족을 고려하여 GT(실제 값) 라벨 기반 감독 주의(attention) 분기를 설계하여 SAR 목표 탐지 과제에 보다 적합하도록 하였고, 그 다음 다중 스트림 네트워크 구조와 삼중 상호 작용 채널-공간 주의 융합 T-ICSAF(Tri-channel Interactive Channel-Spatial Attention Fusion) 모듈을 기반으로 SAR 영상의 그래디언트 에지 특성 및 강한 산란 특성을 충분히 활용하여 네트워크의 목표 특징 표현 능력을 향상시켰다. 마지막으로 SAR 영상 특성 도입으로 인한 추가 배경 잡음 특성 문제를 해결하기 위해 GT 라벨 감독 기반 공간 주의 및 SE(Squeeze-and-Excitation) 채널 주의를 결합한 CSSCAM(Combining Supervised-Spatial And SE Channel Attention Mechanism) 모듈을 제안하여 목표 특징이 더욱 강화되고 배경 잡음 특징이 효과적으로 억제된 특징을 네트워크 예측 과제에 사용하도록 하였다. 본 논문에서 제안한 네트워크 프레임워크는 엔드-투-엔드 공동 학습을 실현하였고, 마이크로 합성 개구 레이더 MiniSAR(Miniature Synthetic Aperture Radar) 실제 데이터에 대한 관련 실험을 통해 방법의 유효성과 복잡한 환경에서 더 우수한 목표 탐지 성능을 충분히 검증하였다.

합성개구레이더; 목표 탐지; 완전 합성 단일 단계 목표 탐지기; 그래디언트 진폭 영상; 고정 오경보 탐지