基于对文档内容的分析，本文属于类型A，即单一原创性研究报告。以下是根据该文档生成的中文详细学术报告。

研究概述

本研究报告介绍了一项由Shiji Fan、Pedro Pinho、Feng Luo、Ming Shen和Daniel Albuquerque等人合作完成的研究。该成果已被《IEEE Transactions on Radar Systems》接收，预计于2026年1月发表。研究团队主要来自电信研究所（Instituto de Telecomunicações）等机构，其工作得到了葡萄牙科技基金（FCT）的资助。研究针对海面慢速小目标探测这一雷达领域的经典难题，提出了一种新颖的物理信息驱动的特征到图像编码框架。

学术背景

本研究属于雷达信号处理与海洋目标探测领域。在复杂海况下，特别是当信杂比（Signal-to-Clutter Ratio, SCR）较低时，对如小型浮标和船只等慢速微弱目标的探测极具挑战性。传统方法，无论是基于海杂波统计模型的恒虚警率（Constant False Alarm Rate, CFAR）探测器，还是基于支持向量机（SVM）等分类器的多特征联合检测方法，都存在明显局限。统计模型在面对真实海洋环境的非平稳、非均匀特性时，精确拟合变得困难；而传统特征检测方法，如经典的基于相对平均幅度（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）的“三特征检测器”，虽然能提升目标与杂波的可分离性，但其决策通常是逐点进行的，并且常在评估中为简化问题而排除由目标能量泄露导致的“次生单元”，这牺牲了在真实场景下的精确定位能力，且难以处理特征空间中的复杂非线性关系。

近年来，深度学习方法虽展现出潜力，但面临两大障碍：一是直接从原始雷达数据提取的特征物理意义不明，易过拟合；二是主流的高效深度学习检测模型（如YOLO系列）多为标准的三通道RGB图像输入设计，难以直接兼容三个或以上的独立特征图输入。现有研究尝试的多流（Multi-stream）融合架构会增加模型复杂度和计算成本。此外，还有一个被广泛忽视但极为关键的问题——目标能量泄露。在高分辨率下，目标的雷达回波能量会扩散至相邻的距离单元，形成特征介于主目标与纯杂波之间的“次生单元”。许多现有研究在预处理阶段就直接剔除这些次生单元，从而在人工简化的数据集上获得虚高的性能指标，回避了实际检测中最核心的难点。因此，本研究旨在解决三个核心问题：如何在保留空间连续性的前提下实现多特征联合解释；如何构建一个能与主流视觉检测模型无缝兼容的特征表示；以及如何在包含次生单元的完整数据场上实现稳健、精确的目标检测。

研究方法的详细流程

本研究的工作流程主要包括三个核心步骤：多物理特征提取、特征到图像的RGB编码，以及基于改进YOLO网络的检测器设计与验证。

第一步，是“三特征”集的提取。研究团队并未自行开发新的特征，而是采用了由Shui等人提出并已被广泛验证的经典三特征集——RAA、RDPH和RVE，作为深度模型的输入源。这三个特征分别表征了目标的能量强度、多普勒谱的结构集中度以及频谱的统计随机性。具体而言，RAA通过计算待测单元平均幅度与参考单元平均幅度之比，反映目标的相对能量；RDPH通过计算待测单元多普勒谱峰值与背景均值之比，并相对于参考单元做归一化，以衡量目标频谱的峰度；RVE则是通过计算归一化多普勒谱的向量熵，来量化信号的混乱程度，目标通常具有更低的熵值。这些特征均从IPIX雷达的原始回波数据中计算得出。

第二步，是本研究最核心的创新——物理信息驱动的特征到图像编码框架。这一步骤摒弃了传统方法中为每个特征单独设计网络分支或生成伪彩色图像的作法。首先，对每个距离单元和每个时间窗口，分别计算出RAA、RDPH和RVE三个特征值，构建三个维度为K×M（距离单元数×时间样本数）的原始特征矩阵。接着，为了降低短时观测引入的特征随机性，在时间维度上对特征矩阵进行平滑和下采样。随后，由于三个特征的物理单位和数值范围差异巨大，必须对每个特征矩阵进行最小-最大归一化（Min-Max Normalization），并将其量化到0-255的8位灰度空间，以获得与图像通道兼容的特征图矩阵。最关键的一步，是将这三个独立的、归一化后的特征矩阵，分别映射到一个标准RGB图像的红（R）、绿（G）、蓝（B）三个通道上，从而构造出一个三维张量（K×T×3）。为了适应YOLO模型的输入尺寸并便于标注，研究团队还将K个距离单元进行空间重构（例如排列成2×7的网格），并通过最近邻插值将图像调整到目标大小（如640×640像素），最终生成信息密集的伪彩色图像。此编码策略的合理性得到了客观验证：对IPIX数据集中14324个有效样本进行的全局皮尔逊相关性分析显示，三个特征之间的平均相关系数仅为0.2486，呈现出弱的线性依赖和低冗余度，证明了将它们解耦到三个正交通道上的合理性。这一过程解决了通道冗余问题，将三通道从承载同一信息源，转变为承载三个物理互补特征的高效信息载体。

第三步，是基于改进YOLO网络的检测器设计。首先，研究展示了所提框架极强的模型无关性（Model-agnostic）和泛化能力。输入数据一旦被规范化为三通道图像，便可无缝接入任何为RGB图像设计的深度学习模型。为了验证这一点，研究团队在YOLOv5n、YOLOv8n和YOLOv11n三个跨代架构上均部署了该框架，均取得了超过95%的平均精度（mAP@0.5）。之后，研究聚焦于对YOLOv8n模型进行针对雷达目标特性的轻量化改进。雷达目标经上述预处理后，在图像中表现为约100×100像素的固定尺度块，其感受野与YOLOv8n用于检测大目标的P5检测层高度吻合。因此，研究实施了“尺度自适应剪枝”，移除了原网络中用于检测中小目标、处理低层纹理特征的P3和P4检测头及其相关特征融合路径，仅保留P5检测头。这一剪枝操作使模型参数量从3.20M下降到2.83M，减小了3.3%，实现了模型轻量化。最后，为了满足雷达系统对虚警率的严格控制要求，研究设计了一种基于Neyman-Pearson准则的CFAR可控检测策略。在离线阶段，将训练好的网络输出的置信度分数作为检验统计量，利用纯杂波样本（严格排除了主目标及所有次生单元）通过蒙特卡洛方法，为预设的虚警概率Pfa计算出决策阈值。在线推理时，则采用先进先出的滑动窗口动态更新局部杂波分布和阈值，实现自适应检测。

实验在多个IPIX实测雷达数据集上展开，涵盖了1993年和1998年两个子集，包含四种极化模式，信杂比范围广泛。特别值得注意的是，本研究在训练和评估的全过程都保留了次生单元，并采用时间顺序的数据块划分策略以避免因雷达回波强时间相关性导致的数据泄露。

主要结果及其支撑

实验结果充分验证了所提方法的优越性。在检测概率方面，如表V所示，在Pfa=10^-3的条件下，所提检测器在0.512秒短观测时间下的平均检测概率达到了0.990，显著超越了所有对比的基线方法，包括传统的三特征检测器、基于多特征的KNN和SVM检测器等。即使在最具挑战性的VV极化低SCR条件下，其检测概率也达到了0.980，相比传统三特征方法（0.569）和时频特征方法（0.706）有巨大提升。图14的检测概率对比图直观展示了所提检测器在所有数据集和极化模式下都能保持稳定且接近1的高性能，而其他基线方法波动剧烈。

在抗次生单元干扰和精确定位方面，结果更具说服力。图16(b)证实，即使在保留与主目标特征高度相似的次生单元（如图17所示）的情况下，所提检测器仍能精确地定位主目标单元。而大多数现有研究采用剔除次生单元的策略（图16(a)），实际上是回避了最困难的边界决策问题。所提方法之所以能成功，是因为CNN的感受野机制使其不仅学习了目标的特征强度，更学习了目标能量在距离-方位二维平面上的中心衰减空间模式，从而能够在高特征幅度的次生单元中，识别出不符合目标空间分布形态的伪目标，实现精准定位和抑制。

此外，所提框架在模型泛化能力和轻量化之间取得了优异平衡。模型无关性实验表明，该预处理框架可直接赋能不同代的YOLO检测器。对YOLOv8n的针对性剪枝，在保持甚至提升检测精度（mAP@0.5达到98.3%）的同时，成功降低了模型复杂度，单张图片总处理时延约6.4毫秒，前向推理吞吐量可达约200帧每秒，展现了边缘端部署的巨大潜力。图19和图21的训练曲线及F1分数曲线也均表明模型训练稳定、收敛快速且没有过拟合，在置信度阈值高达0.960时F1分数仍能维持1.0的完美值。

结论与价值

本研究成功提出并验证了一个物理信息驱动的特征到图像编码框架，为海面小目标检测领域提供了一种新范式。其核心贡献在于，通过改变数据输入范式而非修改模型架构，创造性地解决了长时间以来多特征检测与高效深度学习模型不兼容的矛盾。该方法不仅计算高效、模型兼容性强，更重要的是，它直面目标能量泄露这一现实挑战，在保留次生单元的复杂真实场景下，实现了对目标的稳健精确定位和可控的虚警率。这一成果显著提升了低SCR条件下海面小目标的检测性能，证明了恰当的多特征表示和空间感知决策机制能够在不增加系统复杂性的前提下，大幅增强海面小目标的探测能力。其科学价值在于揭示了空间上下文信息在区分主次目标单元中的关键作用，而应用价值则在于为开发适用于雷达边缘计算设备的轻量化、高精度、高鲁棒性检测系统铺平了道路。

研究亮点

本研究的亮点主要体现在三个方面。第一，新颖的特征编码策略：创新性地将三个物理域互补、统计上低相关的雷达特征解耦映射到RGB三通道，替代了传统的冗余伪彩色映射或复杂的多流网络结构，在保持空间连续性、赋予模型空间感知能力的同时，最大化利用了输入通道的容量。第二，直面真实检测难点：研究没有采用常规的简化评估策略，而是在完整的、包含次生单元的数据场上进行训练和测试，直接解决了由能量泄露导致的最具挑战性的决策问题，所获得的性能结果更能反映检测器在真实海洋环境下的稳健性。第三，方法具有高度的模型无关性和实用性：所提出的预处理框架可作为一种“即插即用”的模块，赋能任何基于标准RGB图像输入的现有或未来视觉检测模型，并通过针对性的检测头剪枝和CFAR策略融合，兼顾了轻量化、实时性和雷达系统对虚警率的严格可控要求，具有卓越的工程应用推广价值。