本文提出了一种面向海事雷达小目标检测的物理信息引导的特征到图像RGB编码框架。该研究由Shiji Fan、Pedro Pinho、Feng Luo、Ming Shen和Daniel Albuquerque等人完成，作者分别来自葡萄牙阿威罗大学（University of Aveiro）、葡萄牙电信研究所（Instituto de Telecomunicações）、中国西安电子科技大学雷达信号处理全国重点实验室以及丹麦奥尔堡大学（Aalborg University）。论文发表于《IEEE Transactions on Radar Systems》第4卷，于2026年6月29日在线发表，DOI为10.1109/TRS.2026.3707962。
该研究属于雷达信号处理与深度学习交叉领域，核心目标是解决强海杂波背景下慢速小目标的可靠检测问题。传统基于统计模型的恒虚警率（CFAR）检测器在非平稳、非均匀、非高斯的海杂波环境中往往难以准确建模，而基于特征的三特征检测器虽然能提升目标与杂波的可分离性，但通常采用逐点判决策略，并且在评估时常排除由目标能量泄漏产生的次生距离单元（secondary cells），导致在真实场景中定位精度受限。此外，现有深度学习方法大多通过伪彩色映射将单一特征扩展为RGB三通道图像，造成通道间信息高度冗余，且多特征融合常需多分支网络结构，难以直接兼容成熟的单阶段目标检测框架。针对这些问题，本文旨在构建一种统一的多特征图像表示方法，使雷达多特征能够在不改变主流检测网络结构的条件下与深度学习检测器结合，同时保持空间连续性和恒虚警控制能力。
研究方法上，本文首先从雷达回波中提取三个经过验证的物理特征：相对平均幅度（Relative Average Amplitude, RAA）、相对多普勒峰高（Relative Doppler Peak Height, RDPH）和相对向量熵（Relative Vector Entropy, RVE）。RAA反映目标单元相对于参考单元的平均能量强度，RDPH刻画多普勒谱能量的集中程度，RVE衡量多普勒谱的统计随机性。三个特征分别从时域能量、多普勒结构和熵统计等不同物理角度描述目标与海杂波的差异。作者对这三个特征矩阵分别进行时间下采样和平滑，以降低短时观测带来的特征随机性；随后对每个特征矩阵进行最小-最大归一化和8位量化，将其映射到[0,255]灰度空间；最后将RAA、RDPH和RVE分别赋值给RGB三个独立通道，形成一个k×t×3的张量，其中k为距离单元数，t为时间索引。通过将14个距离单元重排为2×7空间网格并经过最近邻插值缩放，生成适合YOLO检测网络输入尺寸的图像。
为了验证该编码框架的有效性，作者采用IPIX海事雷达数据集，包括1993年和1998年两个子集，覆盖HH、HV、VH、VV四种极化方式，共20组数据。与以往研究中直接剔除次生单元的做法不同，本文保留全部距离单元进行训练和评估。数据划分采用时间顺序块状分割策略，避免强时间相关性导致的数据泄漏。检测网络采用YOLOv5n、YOLOv8n和YOLOv11n三种跨代轻量模型作为验证平台。由于经过预处理后目标在图像中表现为约100×100像素的固定尺度块，作者对YOLOv8n检测头进行尺度自适应剪枝，仅保留P5检测层，去除了针对小目标和中等目标的P3、P4分支，使模型参数量从3.20M降至2.83M，模型体积缩至5.8MB，同时推理阶段延时约5.0毫秒，总体吞吐约156帧每秒。在恒虚警控制方面，采用Neyman-Pearson准则，以YOLO预测置信度作为统计量，通过蒙特卡洛方法在纯杂波样本上估计预设虚警概率对应的阈值，并在在线推理中利用滑动窗口动态更新阈值。
实验结果显示，在虚警概率为10^-3的条件下，本文提出的检测器在四种极化方式下均保持较高的检测概率。在0.512秒观测时间下，所提方法平均检测概率达到0.990，远高于基于三特征的传统检测器（0.665）、时频特征检测器（0.780）、特征压缩检测器（0.841）、ABOD检测器（0.855）、KNN检测器（0.858）以及基于加权偏置软间隔SVM的检测器（0.894）。在1.024秒观测时间下，所提方法平均检测概率为0.986，仍显著优于所有对比方法。特别是在VV极化低信杂比条件下，所提方法在0.512秒观测时的检测概率达到0.980，相比传统三特征方法提升41%。此外，在保留次生单元的完整数据场上，所提检测器能够准确定位主目标单元，而传统的方法通常会因次生单元的高特征相似性而产生虚警。
本文的主要结论是，通过将RAA、RDPH和RVE三个互补物理特征映射到RGB三通道，可以形成一种低冗余、高信息密度的统一表示，使深度学习检测器能够在保持空间上下文和跨特征联合解释能力的条件下实现高精度目标定位。该方法不依赖多流融合网络，也不需要对主流视觉检测模型的核心结构进行修改，因此具备较强的模型无关性和即插即用能力。其科学价值在于提出了一种通用的特征到图像编码范式，为多特征雷达数据与成熟深度学习检测架构的结合提供了新途径；应用价值在于该方法在保持低模型复杂度和实时推理能力的同时，显著提升了低信杂比条件下海事小目标的检测概率和定位精度，并且通过Neyman-Pearson统计阈值策略实现了可控虚警率，满足实际雷达系统需求。
本文的主要亮点包括：第一，首次将RAA、RDPH和RVE三个物理特征直接映射到RGB通道，避免了传统伪彩色单特征映射造成的通道信息冗余；第二，通过保留次生单元并在完整数据场上进行训练和测试，揭示了目标能量泄漏对检测边界的真实影响，并证明空间上下文学习能有效抑制次生单元干扰；第三，通过尺度自适应检测头剪枝和轻量网络设计，在保持高检测性能的同时实现了参数和计算量的显著下降；第四，采用三个跨代YOLO模型验证了编码框架的模型无关性和泛化能力；第五，结合Neyman-Pearson准则设计的统计阈值机制，使深度检测器具备了可控制的恒虚警性能，弥补了深度学习方法在雷达系统适配方面的不足。