基于改进的凝视雷达小目标检测算法

小目标检测在低空飞行器管理、环境监测、边境安防等场景中发挥着至关重要的作用,是保障低空空间安全和推动低空经济发展的关键技术之一。现有的雷达目标检测算法在处理“低慢小”目标时,往往受到目标尺寸、信噪比（Signal-to-Noise Ratio,SNR）以及背景杂波等因素的限制,导致检测效果不佳。针对上述问题,本文提出将雷达距离-多普勒（Range-Doppler,RD）平面图输入改进后的YOLOv8模型,并结合实际雷达数据进行验证,实现了小目标检测性能的提升。本文利用全息凝视雷达采集了实测数据并进行数据标注和数据集制备。在模型设计方面,本文引入了高效通道注意力（Efficient Channel Attention, ECA）机制。ECA机制通过使用一维卷积代替传统的全连接层,在不增加额外参数量的前提下,有效地捕获了通道间的依赖关系。
这种改进能够增强网络在不同通道上的特征选择能力,从而能够对小目标进行准确检测。同时,本文在模型中增加了小目标检测层,该检测层通过调整特征图的分辨率,使得模型能够对更小的目标进行特征提取和识别,从而弥补了常规检测网络对小目标处理能力不足的问题。此外,本文在实验部分选取了多种模型进行对比。实验结果表明,本文提出的改进模型在多个评价指标上均优于其他模型。与基准YOLOv8n相比,改进模型的精度提升了2.3%,mAP@0.5提升了1.9%,mAP@0.5-0.95提升了3.5%。总体来看,本文提出的模型在精度、召回率及mAP@0.5等指标上均表现出最佳的检测效果,验证了所提方法在雷达小目标检测中的有效性。