摘要
在不同的合成孔径雷达场景中提升检测性能仍是一项挑战，因为不同数据集的目标与背景分离程度各异。为解决这一问题，我们提出了一种基于恒定虚警率（CFAR）的模式选择网络（CGMSN），该网络可根据CFAR目标与背景分离度来选择合适的特征融合模式。具体而言，CFAR作为一种可解释的统计工具，用于构建异常响应图。随后通过比较标注目标区域及其周围背景的平均CFAR异常响应值来计算分离度。基于这一指标，我们构建了一个基于YOLOv8 8版本的模式选择检测器，该检测器包含三个关键组件。首先，采用一种轻量级的表示增强型主干网络，结合ResNet18和扩张卷积空间金字塔（DCSP）模块，在保持模型复杂度适中的同时提升背景表示能力。其次，设计了一个具有三种预定义融合模式的模式选择颈部结构（MSN），根据每组数据的CFAR引导的目标与背景分离度来选择合适的融合深度。最后，开发了一种完全交并比调节型头部结构（CMH），用以增强分类与回归之间的协调性，并抑制杂波带来的干扰。在SAR-Aircraft-1.0、高分辨率SAR图像数据集（HRSID）以及SAR船舶检测数据集（SSDD）上的实验表明，那些目标与背景分离度较小的数据集更适合采用更深层次的融合，而分离度较大的数据集则可选择较浅层次的融合。此外，所提出的CGMSN在性能上优于其他常见检测器，证明了其在具有不同场景特征的各类SAR数据集上的有效性。
