科研亮点：语义提示引导的光学-SAR跨域舰船检测方法
1 研究背景
舰船遥感检测在海上监测、渔业管理和海洋环境评估等领域具有重要应用价值。光学遥感影像具有丰富的纹理信息，但容易受到云雾影响；合成孔径雷达（SAR）影像能够实现全天时、全天候观测，但存在相干斑噪声、背景杂波及目标边界模糊等问题。由于两类影像的成像机制存在显著差异，直接将光学影像中学习到的知识迁移至SAR影像，容易造成检测精度下降。此外，舰船目标具有方向任意、尺寸差异大和近岸背景复杂等特点，进一步增加了跨域检测与精准定位的难度。针对上述问题，本研究提出一种语义提示引导的旋转跨域舰船检测框架RotCD-Ship，通过融合SAR领域先验知识、渐进式跨域特征对齐和粗到细旋转区域生成方法，缩小光学与SAR影像之间的特征分布差异，实现复杂海洋环境下舰船目标的精准检测。
2 研究结果
本研究选取五个公开舰船检测数据集开展实验，包括光学影像数据集DIOR、HRRSD和HRSC2016，以及SAR影像数据集SSDD/SSDD+和HRSID。其中，SSDD+提供旋转框标注，可用于评估任意方向舰船的检测性能。通过不同数据集之间的跨域迁移实验，验证所提出方法在水平框检测和旋转框检测任务中的有效性。研究采用平均精度均值（mAP）评价模型的检测性能，并以交并比（IoU）阈值为0.5作为主要评价标准。实验基于Faster R-CNN框架，采用ResNet-101作为特征提取骨干网络，通过有标注源域数据与无标注目标域数据进行无监督域适应训练，并与通用目标检测、旋转目标检测及无监督域适应方法进行对比。
2.1 整体框架性能
在水平舰船检测任务中，RotCD-Ship在DIOR→SSDD和HRRSD→SSDD两种跨域迁移任务中分别取得65.5%和62.7%的mAP，优于现有对比方法。与此前表现最佳的方法相比，水平框检测和旋转框检测的平均mAP分别提高7.5%和5.5%。在旋转舰船检测任务中，该方法在HRSC2016→SSDD+和HRSC2016→HRSID 两种迁移任务中分别取得44.3%和40.6%的mAP。进一步的角度误差分析表明，HRSC2016→SSDD+任务中，61.66%的正确检测目标角度偏差小于10°，表明模型具备较好的方向定位能力。此外，在DIOR→SSDD任务中，模型推理速度达到27.84张/秒，在检测精度与计算效率之间取得了较好的平衡。
表1. 基于Dior/HRRSD→SSDD的水平船舶检测结果 |
Source only | Dior→SSDD | HRRSD→SSDD |
mAP (%) | mAP (%) |
Faster R-CNN | 25.1 | 23.8 |
Dynamic R-CNN | 28.1 | 20.1 |
ATSS | 24.8 | 19.3 |
YOLOX | 26.8 | 20.6 |
Reppoints | 20.4 | 25.5 |
UDAOD method | Dior→SSDD | HRRSD→SSDD |
mAP (%) | mAP (%) |
DA Faster R-CNN | 49.0 | 47.7 |
HTCN | 52.3 | 50.7 |
SWDA | 56.4 | 52.9 |
CRDA_DA | 56.8 | 50.3 |
CRDA_SW | 57.3 | 55.9 |
Ours | 65.5 | 62.7 |
表2. 基于Dior→SSDD的船舶检测计算效率 |
Method | mAP (%) | Rate (img/s) | Parameters (M) | Load (G) |
Faster R-CNN | 25.1 | 3.04 | 41.32 | 185.62 |
Dynamic R-CNN | 28.1 | 3.22 | 41.32 | 185.62 |
ATSS | 24.8 | 2.26 | 51.05 | 230.26 |
YOLOX | 26.8 | 2.32 | 54.13 | 189.31 |
Reppoints | 20.4 | 2.61 | 55.77 | 231.72 |
DA Faster R-CNN | 49.0 | 27.84 | 47.277 | 83.417 |
HTCN | 52.3 | 101.66 | 56.039 | 9.648 |
SWDA | 56.4 | 153.12 | 52.826 | 9.523 |
CRDA_DA | 56.8 | 28.00 | 47.277 | 83.783 |
CRDA_SW | 57.3 | 127.03 | 52.834 | 9.648 |
Ours | 65.5 | 27.84 | 47.277 | 83.417 |
(a) | 
| 
| 
| 
| 
|
(b) | 
| 
| 
| 
| 
|
(c) | 
| 
| 
| 
| 
|
(d) | 
| 
| 
| 
| 
|
(e) | 
| 
| 
| 
| 
|
(f) | 
| 
| 
| 
| 
|
(g) | 
| 
| 
| 
| 
|
(h) | 
| 
| 
| 
| 
|
(i) | 
| 
| 
| 
| 
|
图1. 基于Dior→SSDD的船舶检测可视化结果. (a) 地面真值; (b) Faster R-CNN; (c) YOLOX; (d) DA Faster R-CNN; (e) HTCN; (f) SWDA; (g) CRDA_DA; (h) CRDA_SW; (i) RotCD-Ship |
(a) | 
| 
| 
| 
|
|
(b) | 
| 
| 
| 
|
|
(c) | 
| 
| 
| 
| 
|
(d) | 
| 
| 
| 
| 
|
(e) | 
| 
| 
| 
| 
|
(f) | 
| 
| 
| 
| 
|
(g) | 
| 
| 
| 
| 
|
(h) | 
| 
| 
| 
| 
|
(i) | 
| 
| 
| 
|
|
图2. 基于HRRSD→SSDD的船舶检测可视化结果. (a) 地面真值; (b) Faster R-CNN; (c) YOLOX; (d) DA Faster R-CNN; (e) HTCN; (f) SWDA; (g) CRDA_DA; (h) CRDA_SW; (i) RotCD-Ship |
2.2 消融实验
为验证各组成模块的有效性，研究分别对多尺度局部特征对齐（MSL-align）、全局特征对齐（GF-align）和领域知识引导的语义提示（DKSP）开展消融实验，并在DIOR→SSDD和HRSC2016→SSDD+两种跨域迁移任务中进行评估。结果表明，局部特征对齐与全局特征对齐均能够改善检测性能，二者结合后，水平框和旋转框检测的mAP分别达到59.3%和37.6%；进一步引入DKSP后，mAP分别提升至65.5%和44.3%，说明语义提示能够有效补充特征对齐机制，增强模型对舰船目标的识别能力。此外，针对不同尺寸的舰船进行分析发现，多尺度局部特征对齐的整体mAP达到51.4%，优于单一局部特征对齐的48.3%，其中小型和中型舰船的检测性能提升尤为明显，验证了多尺度特征对齐对不同尺寸目标的适应能力。
表3. 基于Dior→SSDD和HRSC2016→SSDD+的消融实验结果 |
Methods | DKSP | MSL-align | GF-align | Dior→SSDD (HBB) | HRSC2016→SSDD+ (OBB) |
mAP (%) |
Source only |
|
|
| 25.1 | 32.0 |
Ours |
| √ |
| 51.4 | 35.4 |
|
| √ | 46.2 | 33.9 |
| √ | √ | 59.3 | 37.6 |
√ | √ | √ | 65.5 | 44.3 |
|
|
|
|
|
|
2.3 不同IoU阈值下的检测性能
为进一步评估模型的定位精度，研究比较了不同交并比（IoU）阈值下的检测性能，阈值范围为0.5-0.95。结果表明，在DIOR→SSDD和HRSC2016→SSDD+两种跨域迁移任务中，RotCD-Ship在不同IoU阈值下均保持了较好的检测性能，且当IoU阈值达到0.7及以上时，相较于对比方法的性能优势更加明显。这表明该方法不仅能够有效识别不同模态影像中的舰船目标，还能够在更加严格的定位标准下保持较好的检测表现，体现了其在复杂背景下的目标定位能力。
| 
|
(a) Dior→SSDD | (b) HRSC2016→SSDD+ |
图3. 在两个领域自适应任务上使用不同IoU阈值时的检测性能 |
3 研究结论
本研究针对光学与合成孔径雷达（SAR）影像之间存在的模态差异、复杂背景干扰及舰船目标方向不确定等问题，提出了旋转跨域舰船检测框架 RotCD-Ship。该方法融合领域知识引导的语义提示（DKSP）、渐进式特征对齐和粗到细旋转感兴趣区域生成（CF-RRoI），以增强跨模态特征迁移能力并提高舰船目标定位精度。在五个公开舰船检测数据集上开展的实验表明，该方法在水平框和旋转框检测任务中均表现出较好的检测性能，相较于现有最佳方法，平均mAP分别提高7.5%和5.5%。
消融实验表明，多尺度局部特征对齐与全局特征对齐能够发挥互补作用，进一步引入语义提示后，模型的检测性能得到明显提升。其中，在DIOR→SSDD任务中，水平舰船检测 mAP达到65.5%；在HRSC2016→SSDD+和HRSC2016→HRSID两项旋转舰船检测任务中，mAP分别达到44.3%和40.6%。特征可视化结果进一步表明，语义提示能够增强舰船区域的特征响应、抑制海岸线及码头等背景干扰，而渐进式特征对齐能够缩小光学与SAR影像之间的特征分布差异，从而提升模型的跨域适应能力。
此外，基于高分辨率高分三号SAR影像开展的测试表明，该方法在密集舰船、复杂近岸背景及不同极化方式的影像中仍具有较好的检测能力，验证了其在复杂海洋环境下的泛化潜力。总体而言，本研究通过协同利用领域先验知识、跨域特征对齐和方向感知定位机制，有效提升了光学与SAR影像之间的舰船检测性能，为多源遥感影像协同应用及全天候海上目标监测提供了新的技术方法。
发文信息：
该研究成果于近期在遥感领域专业期刊《International Journal of Applied Earth Observation and Geoinformation》发表。论文第一作者为地理与信息工程学院博士研究生冉龙莉，通讯作者为朱祺琪教授，合作单位包括云南省自然资源智能监测与时空大数据治理重点实验室等。上述研究得到了国家自然科学基金(42271413)和云南省自然资源智能监测与时空大数据治理重点实验室开放基金项目(202449CE340023)项目的资助。
Ran L, Li J, Wu H, et al. Bridging optical and SAR images via semantic prompt-guided progressive alignment for rotated cross-domain ship detection[J]. International Journal of Applied Earth Observation and Geoinformation, 2026, 146: doi: 10.1016/j.jag.2026.105119
