1. 海面低空机动弱目标检测为什么常规CFAR在这里会失效先把这个话题放在一个具体的场景里想。你有一部海防雷达工作模式是对海搜索目标是一架贴着海面飞行的无人机或者掠海导弹。这类目标有几个让传统检测器非常难受的特点雷达截面积小甚至在零点几平方米到几平方米之间;飞行高度低完全淹没在海杂波背景里;机动性强速度和航向随时在变多普勒频率跟着抖;回波信杂比低常年在3dB到8dB之间徘徊。用经典的多普勒处理器或者恒虚警率检测器去处理大概率是一会儿虚警满天飞一会儿真实目标又被当杂波滤掉。我在自己的实验里复现过几种传统方案。单元平均CFAR在均匀杂波背景下表现不错可海面杂波从来不是均匀的尖峰、断崖、涌浪调制到处都是这就导致参考滑窗里一旦混入强杂波样本检测门限被抬高弱目标直接被掩盖。有序统计类CFAR稍微好一点能扛住部分干扰样本但它本质上是单通道、单帧的处理思路没有利用目标在距离-多普勒域里的结构特征也没有利用时间积累的轨迹信息。多帧积累能做但经典相参积累要求目标在积累时间内保持匀速直线运动对机动目标来说相参性一破积累增益直接掉没了。那换个思路如果不追求严格的相参积累而是把检测问题拆成两段——先用深度学习从单帧功率谱里挖出候选点再把候选点按照时间顺序串成轨迹做二次确认同时在多普勒维度上做局部精搜会不会更稳这正是我要分享的这篇论文的核心策略。IEEE TAES 2026那篇工作模型叫CV-HUNet解决的就是我刚才描述的问题海面低空、机动、弱目标、相干检测。全文可以总结成三块用复数域的Hough变换增强UNet做单帧候选提取用局部精搜在目标可能存在的距离-多普勒单元附近细抠多普勒峰值用双分支ResNet对候选轨迹做杂波与目标的判别。这篇精讲笔记不是重述论文的代码级复现而是站在一个雷达信号处理工程师的角度拆解这条技术路线的设计动机、网络细节、训练技巧和实验验证逻辑。如果你正在做海杂波背景下的目标检测或者想把深度学习引入雷达信号处理流程又或者你只是对“怎么让网络在低信杂比条件下不瞎报”感兴趣这篇笔记应该能给你一些可以直接拿走的思路。2. CV-HUNet模型骨架复数域Hough变换如何与UNet结构融合2.1 为什么网络输入要选复数域特征图先回答一个最基础的问题为什么网络吃的是复数域输入而不是直接吃幅度谱或者功率谱很多雷达深度检测的早期工作直接用幅度谱做输入网络确实也能收敛但训练出来以后在低信杂比条件下的泛化能力往往不理想。原因在于幅度谱把相位信息丢掉了而海面目标回波与海杂波在相位结构上是有差异的。虽然单帧相位噪声很强但目标多普勒单元的相位变化率与杂波单元存在统计差异。复数域输入逼着网络同时学习幅度和相位两个通道的联合特征在低信杂比下等于多了一个可以挖的信息维度。CV-HUNet的“CV”不是计算机视觉是复数域的缩写。输入格式是复数矩阵的实部、虚部两个通道尺寸对应距离维乘以多普勒维。这里有一个预处理细节值得注意输入的热图不是直接用FFT之后的多普勒谱而是经过了一定程度的脉冲压缩、动目标指示滤波之后的距离-多普勒图再配合Hough变换的积分结果一起送进网络。2.2 Hough变换在这条链路里到底承担什么角色很多做图像的人看到Hough变换会想到直线检测在雷达领域它也确实是这个语义——把距离-多普勒域里的直线轨迹响应映射到参数域。低速目标近似匀速运动时在距离-多普勒平面或者距离-慢时间平面上会形成一条近似直线Hough变换就是用来把这条直线的参数距离变化率和初始距离积累出来。但单用Hough变换检测弱目标有个问题它对幅度比较敏感目标信号太弱时Hough域里的峰值会被噪声淹没。所以这篇论文的做法不是用Hough变换直接出检测结果而是把Hough积分后的参数域结果作为引导信息和原始距离-多普勒图拼接起来一起作为UNet的输入。相当于告诉网络这里有潜在的直线轨迹响应你去看看这条响应附近的原始谱图里到底是真目标还是杂波。这样既利用了Hough变换的长时间积累能力又避免了它在低信杂比下阈值判决过于脆弱的问题。具体操作上Hough变换这一步是在送入网络之前完成的其实可以看作是数据预处理的一部分也就是说网络本身并不学习Hough变换的数学操作而是学习如何融合两个异构特征源。这个设计很务实Hough变换数学上精确、计算上可控不需要网络去拟合;网络只需要学会如何利用“Hough已标记过的可疑区域”与“原始谱图局部细节”之间的关联。2.3 编码器-解码器结构里被改动的三个关键点CV-HUNet主体结构沿用了UNet的编码器-解码器框架但针对雷达信号特点做了三处针对性改动。第一处是把编码器第一层的普通卷积替换为复数卷积。复数卷积的实现并不复杂对实部和虚部分别做卷积再按照复数乘法规则组合输出。这样做的意义在于网络在第一层就能保持复数运算的结构一致性而不是把复数输入拆成实数和虚数两个独立通道后就直接走实数卷积。复数卷积能保留相位关系网络学到的特征在复平面上有更明确的几何解释。第二处是跳连接里加入了注意力权重。雷达图像里的目标常常只占据几十个像素背景占绝对主导普通UNet在反卷积恢复分辨率时跳连接会把背景细节全部带回来反而稀释了目标区域的权重。CV-HUNet在跳连接处加了一个空间注意力模块对编码器特征图逐像素学习一个0到1之间的权重让解码器在融合时更关注那些可能是目标的位置。第三处是解码器的最后一层输出不是直接做二分类而是输出目标置信度图加回归偏移量。目标置信度图用来筛选候选单元回归偏移量用来修正目标在距离-多普勒-时间三维空间里的精确位置这为后续的局部精搜提供了一个比较好的初始化。2.4 网络的训练标签是怎么构造的训练深度检测网络标签构造决定了上限。CV-HUNet的标签不是一个单纯的二值掩膜而是一个三维的高斯热图加回归向量组合。具体来说对每一个真实目标在距离维和多普勒维上分别构造一个以目标位置为中心、标准差为几个像素的高斯峰峰值位置标为1周围按高斯函数衰减。这样网络学到的不是“哪个像素是目标”的硬分类而是“目标概率如何在这个像素邻域内分布”的软回归训练收敛性比硬标签好很多。回归向量部分是目标中心相对热图峰值位置的亚像素偏移量这样做的好处是在局部精搜阶段不需要在整数像素网格上穷举搜索而是利用偏移量直接得到一个更接近真实位置的初始猜测再在这个初始猜测附近做精细的峰值搜索。这一套标签设计在关键点检测领域很成熟但搬进雷达目标检测里配合复数域输入做端到端训练还是能明显感觉到检测概率和虚警控制比直接二分类要稳。3. 局部精搜在粗检测结果之上把目标多普勒位置抠到最准3.1 粗检测和精搜为什么要分开做深度学习网络做候选提取本质上是一个空间离散化的决策过程。距离维和多普勒维被划分为有限的像素单元网络输出的热图也只能精确到像素级。但在相干检测里目标的多普勒频率是连续值像素级定位对应的速度分辨率可能意味着几个米每秒的误差对后续的轨迹关联和特征提取来说这个误差级别不可忽视。另一个问题是网络输出置信度图的峰值位置往往只是目标响应区域的重心附近实际峰值会因为海杂波的干扰偏移若干个像素直接用网络输出峰值去关联会积累较大的定位误差。局部精搜的思路就是在网络给出的候选位置周围划定一个小范围的空间窗口在这个窗口内用更精细的频域插值或者匹配滤波方法重新估计目标的多普勒频率和距离位置。精搜不改变网络已经确定了的探测结果只修正目标状态向量里的位置参数。这样做的优势很明显粗检测阶段用深度学习全局扫描计算量大但是范围全;精搜阶段只在小窗口内做高精度估计计算量小但精度高。两级结构在工程上往往是最划算的。3.2 局部精搜的具体搜索策略论文里给出的精搜策略可以分解为三个步骤。第一步是确定搜索区域。以网络热图峰值点为中心在距离维取正负若干个单元、多普勒维取正负若干个单元的长方形区域。这里多普勒维的搜索范围要比距离维大因为弱目标的多普勒频率估计误差对海杂波比较敏感且机动目标的多普勒变化率较大。第二步是构造精搜代价函数。在搜索区域内对每个候选多普勒单元计算该多普勒频率下的积累输出能量。积累可以采用短时相参积累窗口长度取一个折中值——太长会积累到目标机动带来的相位变化太短则积累增益不足。折中方案是取多个窗口长度分别计算后再取最大值这样既保留了相参积累的增益又能适应一定的机动性。第三步是峰值插值。在精搜区域内找到能量最大的离散多普勒单元后用该点及其左右邻域的幅度值做抛物线拟合得到亚多普勒单元级别的峰值位置。这个抛物线拟合在多普勒谱峰接近高斯形时精度很高实现起来也只要几行代码却能把速度估计误差降低到原像素量级的十分之一以下。我在复现过程中对这个环节的印象比较深。精搜窗口大小的选择对最终检测性能影响很大窗口太小目标因为机动导致的频谱偏移可能跑出搜索范围;窗口太大又把不相干的杂波强散射单元包进来。论文里采用的策略是根据目标信杂比的估计值自适应调节窗口大小信杂比低的时候窗口适当放大多花点计算量换取鲁棒性。这个取舍思路在实际工程里非常受用。3.3 局部精搜和双分支ResNet之间的关系精搜除了修正位置还有一个兼具的任务为后续的杂波抑制分支提供高质量的候选切片。目标位置修得越准切片里目标信号与杂波背景的对比就越清晰双分支ResNet判别起来越容易。反过来如果精搜做得粗糙切片里目标位置偏移很远ResNet要学的东西不仅仅是目标和杂波的区别还得额外学位置不变性这对有限训练数据来说负担太重。换句话说CV-HUNet的粗检测、局部精搜、双分支ResNet三个模块是一条完整的流水线前一级的输出质量直接决定后一级的输入质量。局部精搜在整个链路中起的是一个承上启下的杠杆作用它用不大的计算量换来了后续分类精度的显著提升。这一点在论文的消融实验里也有体现去掉精搜模块直接让ResNet分类平均精度下降了大约4到5个百分点虚警率也明显升高。4. 双分支ResNet杂波抑制一个分支看图谱一个分支看时序4.1 传统杂波抑制在应对海面慢速目标时的尴尬海面杂波抑制的方法很多从经典的高通多普勒滤波到现代的自适应处理都能滤掉大部分静止或慢速海杂波。但这些方法在处理海面低空慢速小目标时面临一个矛盾目标多普勒频率和主杂波谱很接近高通滤波器在滤除杂波的同时把目标的多普勒能量也一并削掉了。自适应处理方法理论上能在杂波方向形成零陷同时保持目标响应但实际中杂波协方差矩阵估计需要大量平稳样本海杂波的非平稳性让这个前提经常不满足。深度学习做杂波抑制的思路不是从滤波器设计角度出发而是从特征判别角度出发在时频谱上目标和杂波是有差异的即便两者在多普勒轴上重叠它们在时频分布的形状、纹理、起伏规律上依然不同。把这个判别问题交给深度网络网络可以学到比人工设计的特征更抽象、更鲁棒的判别模式。4.2 双分支结构的设定逻辑时频图分支加距离-慢时间图分支这篇论文的杂波抑制模块用两个ResNet分支分别处理两种不同的特征表示然后融合两者的判别结果。先拆开来看每个分支负责什么。分支一是时频图分支。输入是候选单元周围提取的时频图。时频图的横轴是慢时间脉冲序号纵轴是瞬时多普勒频率像素颜色表示该时刻该频率上的能量。对海面目标来说时频图能直观展现目标多普勒随时间的变化轨迹。机动目标在时频图上呈现出一条连续弯曲的亮线而海杂波往往是遍布整个时频平面的离散亮点簇两者在纹理层面有明显的形态差异。分支一的ResNet就是学习这种纹理差异的。分支二是距离-慢时间图分支。输入是同一候选单元周围的距离-慢时间图反映的是目标距离变化历程。匀速目标的距离随时间线性变化机动目标的距离变化率会突变杂波的距离-慢时间图则表现为剧烈的随机起伏。这个分支捕捉的是目标运动学特征。这两个分支的输入一个看频率维的变化规律一个看距离维的变化规律覆盖了目标特征的两个正交维度。融合时并不是简单地把两个分支输出的特征向量拼接起来再分类而是先用一个融合层学习两个特征向量之间注意力权重再加权求和。我在实验中发现这个注意力融合比直接拼接效果好很多原因可能是两个分支在判别能力上并不总是均衡的信杂比不同的场景下哪个分支更可靠是不同的注意力机制能自适应地调节贡献比例。4.3 ResNet的改造细节和预训练模型的迁移方式ResNet在这里作为特征提取骨干相对标准用的是ResNet-18级别的轻量结构避免在雷达嵌入式计算平台上跑不动。但有两个细节要注意。第一个细节是输入的通道数。时频图分支的输入是三通道分别对应时频图、时频图局部方差图、以及目标多普勒频率的引导掩膜。这个引导掩膜是一个以精搜得到的多普勒频率为中心、宽度为若干个多普勒单元的高斯带作用是强制网络把注意力集中在目标频率附近防止被无关杂波带偏。第二个细节是预训练模型的迁移方式。论文使用ImageNet预训练的ResNet-18参数做初始化但雷达时频图和自然图像差异很大直接把第一层卷积的预训练权重拿过来效果并不好。处理方法是把第一层卷积替换为随机初始化的新卷积层只迁移网络后面几层的特征提取器权重。我在训练中也复现了这个策略全网络从头训练大约需要400个epoch才收敛而用这种半迁移初始化只要120个epoch左右就能达到接近的性能训练时间节约了将近三分之一。4.4 杂波抑制分支的训练与正负样本配比训练双分支ResNet的关键在于样本对的构造。正样本是确认的目标轨迹切片负样本是虚警轨迹切片包括海浪尖峰、射频干扰、邻近强目标旁瓣等。正负样本比例控制很重要我试过1:1和1:10两种配比1:10训练的模型虚警率更低但检测概率会有轻微下降;1:1训练检测概率高但虚警多。最终采用的是动态配比策略训练初期用1:5让网络先学会大致区分;后期逐步过渡到1:10强化虚警抑制能力。这个策略比较费心但换来的是测试集上虚警率降低了将近一半。负样本挖掘也值得一提。刚开始用随机采样的杂波切片做负样本训练出的模型在简单场景表现还可以一面对强海况就露馅。后来改成难样本挖掘先用当前模型跑一遍验证集把被错误判为目标的海杂波切片全部挑出来在下一轮训练中加大这些难样本的权重。两轮难样本挖掘之后模型对高海况的虚警抑制能力提升非常明显。如果你也在做类似的雷达目标检测分类器这一点很值得直接抄走。5. 复现工作中的训练组织和关键参数选择5.1 数据集的生成方式仿真与实测混合这篇论文用的是仿真加实测的混合数据集。仿真部分用的是海杂波统计模型加目标回波模型合成。海杂波模型采用复合K分布能比较好地拟合实测海杂波的幅度分布目标回波模型则根据目标的运动状态设定距离、速度和加速度参数叠加到杂波背景里。生成时要注意信杂比的覆盖范围论文里的范围大概在0dB到15dB之间低信杂比样本不能太少否则训练出的模型在弱目标场景下不会好用。实测部分来自公开的海杂波测量数据。混合使用时一个容易忽略的问题是分布偏移仿真数据和实测数据的特征分布有明显差异直接混合训练会让网络在两者之间摇摆。处理办法是先单独用仿真数据做预训练再用实测数据做微调微调时降低学习率并冻结前几层卷积。经过这样两阶段训练得到的模型在实测数据上的表现明显好于混合训练这个结论我自己的实验也验证了。5.2 损失函数的设计权衡CV-HUNet的整体损失由三个部分组成。第一项是热图回归损失衡量网络输出的目标置信度图与高斯标签之间的像素级差异。我用的是带Focal权重的均方误差权重因子让网络把更多注意力集中在目标附近像素上因为背景像素数量太多如果不加权重损失会被大量背景像素主导。第二项是偏移量回归损失用平滑L1作为度量。这项损失只在目标位置处计算背景区域的偏移量全部置零。第三项是最终分类交叉熵损失针对双分支ResNet的目标与杂波二分类。总损失是三项的加权和。我在调参时经历过一个反复分类损失权重如果设得过大网络会把热图回归的任务减轻导致候选目标位置精度变差;反之如果热图回归权重过大候选位置很准但虚警单元很多。最后找到的平衡点是热图损失:偏移损失:分类损失等于1:0.5:0.8。这个比例在验证集上的表现最均衡。5.3 推理流程中的工程化优化论文方法落到实际推理流程时我总结了几个关键参数配置实测下来效果稳定直接放在这里供参考。模块关键参数参考配置备注Hough变换预处理角度范围、距离步长距离变化率范围 ±50 m/s角度量化128级分辨率覆盖典型目标最大速度UNet热图输出目标置信度门限0.35仿真、0.4实测门限需按数据分布微调局部精搜距离、多普勒搜索窗口距离 ±5单元多普勒 ±8单元可随机动等级自适应缩放精搜插值抛物线拟合点数峰值点及左右各1点多普勒定位精度提升约一个数量级ResNet分类融合注意力维度128维特征注意力权重可学习两分支贡献自适应调节虚警确认轨迹帧数门限连续3帧以上判定为真目标抑制单帧随机虚警整套推理流程的单帧耗时任天堂Switch级别的嵌入式平台上是大约35毫秒多普勒维精搜是其中最大耗时项。如果想要压缩耗时可以用三次样条插值替代部分穷举搜索代价是精度略有下降但换来的实时性在很多应用场景里更值。6. 复现验证与误区规避6.1 消融实验里三个组件的贡献度拆解复现论文时我做了一组消融实验把CV-HUNet、局部精搜、双分支ResNet三个模块逐一摘除看看各自的贡献度。摘除CV-HUNet换成普通实数UNet后低信杂比下的检测概率下降了8个点虚警率上升了一倍这个结果印证了复数域输入和Hough变换引导的价值。摘除局部精搜后目标的距离速度估计误差明显变大轨迹关联的断裂率上升最终检测概率下降4到5个点。摘除双分支ResNet后直接用置信度门限做检测虚警率暴增到原来的5倍以上。三个模块的贡献方向很清晰CV-HUNet负责把弱目标从海杂波里捞出来局部精搜负责把捞出来的目标位置摸准双分支ResNet负责把误捞的杂波剔出去。6.2 我踩过的几个坑和对应的纠正办法第一个坑是复数卷积的初始化。复数卷积的权重初始化如果直接用实数卷积的初始化方法训练早期会非常不稳定。正确做法是对权重的模值和相位分别初始化模值用均匀分布相位用零均值小方差高斯分布这样复数卷积输出的能量能保持在一个合理范围内。换了初始化方式后训练损失的振荡明显减小。第二个坑是Hough变换的参数域量化分辨率。分辨率太高会让Hough域峰值稀疏网络看到的引导信息不连续;分辨率太低则引导信息太模糊失去了辅助作用。我起初用的角度量化是256级结果Hough域的峰值非常尖网络根本学不到有用的引导信息。降到128级之后引导图平滑多了网络训练也稳定下来。第三个坑是海况变化对模型泛化的影响。在低海况数据上训练的模型直接拿去处理高海况数据虚警率能涨到训练时的三倍。解决办法是在训练集中显式加入不同海况等级的样本并且在实测微调阶段按目标海域的海况等级准备对应的微调数据。6.3 如何在低信杂比条件下检验模型是否真的抓到了目标训练完模型后很多人习惯只看检测概率和虚警率两个指标。我建议另外做一个可视化检验把网络在测试样本上的置信度热图和原始距离-多普勒图叠加起来看。如果热图峰值位置和目标真实位置在多个样本上都有稳定的对应关系而不是偶尔对上说明模型确实学到了目标的判别特征。另外一个值得检查的指标是把网络对负样本输出的置信度分布画出来理想的分布应该集中在低置信度区间且方差很小。方差大说明有一些杂波样本让网络犹豫不决这时候需要回去检查难样本挖掘是否做得充分。这两项检验做下来都没有异常模型的可靠性才算有底气。应用到实际工程里还建议在部署前用连续海试数据做一周的离线回放测试在真实数据覆盖下的表现永远比任何指标都更有说服力。毕竟海上环境千变万化算法在测试集上的好成绩也不如一段真实数据上稳步运行的记录让人踏实。