雷达信号与遥感地图融合的深度学习低慢小目标检测算法

高梅国 林升泰

（北京理工大学信息与电子学院，北京 100081）

1 引言

近年来，小型无人机技术不断发展，无人机的成本不断降低，功能不断完善，使其在军事和民用领域都得到了广泛应用，但无人机带来的危害也不断扩大。目前，对于这种低空慢速小目标的可靠探测仍然是雷达探测领域的难点［1］。这种低慢小目标的雷达散射截面积（RCS）很小且速度较低，其还常处于复杂强杂波环境下，这使得传统的雷达检测算法难以对其进行有效检测，另外雷达对机场飞鸟的探测也存在同样的问题，因此有必要寻求新的能适应复杂地形环境的对低慢小目标进行有效检测的雷达检测算法，这对军事安全、航空安全等方面有着重大意义。

针对低慢小目标的雷达检测识别算法主要有以下四种发展方向［2］：信号精细化处理、信号和数据特征融合、利用深度学习智能方法以及使用新体制雷达。

（1）信号精细化处理方向：杨勇等人［3］提出了一种时频检测与极化匹配相结合的双极化雷达无人机检测方法；余启等人［4］针对LFMCW 雷达提出了一种运用2D-FFT的低慢小目标检测技术。

（2）信号和数据特征融合方向：章鹏飞等人［5］提出了一种多角度雷达观测微动特征融合的无人机识别方法，通过将两个不同角度雷达传感器得到的特征融合在一起提高对无人机的识别率；陈帅等人［6］提出了一种将雷达与RGB 相机等传感器进行融合的方法，用于对无人机目标的检测。

（3）利用深度学习智能方向：HANIF A 等人［7］利用MobileNetV2深度卷积神经网络对低慢小目标频谱图进行分类；王陈幸［8］提出了一种基于深度学习的脉冲多普勒雷达低慢小目标检测算法。

（4）新体制雷达方向：KLARE J 等人［9］利用Ku波段MIMO 体制雷达对低慢小目标进行检测；MARTELLI T等人［10］利用地面数字电视广播外辐射源雷达在机场区域同时对无人机与民航飞机进行监测。

本文所提出的检测算法结合了深度学习和数据特征融合的方法。我们在文献［11］首先提出了一种将雷达信号与遥感地图进行融合的神经网络检测方法，该方法对雷达信号处理形成RD 图（距离-多普勒图），对卫星遥感地图进行分块和类别标注，将RD 峰值区域图、对应遥感地图及其区域类别作为检测和先验信息输入深度学习网络中，以背景图像辅助雷达目标信号检测功能。通过将目标背景中的特征信息融入检测决策中，提高目标检测的准确性和鲁棒性，减少对强杂波和移动物体的干扰敏感性，改善目标检测算法在复杂环境下的表现。本文在文献［11］研究基础上，对网络结构进行了优化，重新设计出了雷达地图融合检测网络RMDNV2，通过加入通道注意力机制、对雷达数据与地图数据特征提取网络深度主次区分，让地图信息起到更好的辅助检测作用，从而提高了对低慢小目标的检测精度。此外，本文还对距离-多普勒图峰区域大小、用于辅助检测的地图峰区域大小的选取对检测性能的影响进行了深入探究。

与其他数据特征融合的算法相比，本文算法额外融合的是卫星遥感地图数据，并不需要多雷达共同检测［5］或添加其他传感器［6］，成本更低。与其他深度学习方法相比，本文没有直接使用已有的网络模型，而是针对卫星遥感地图的融合做出了针对性的网络结构设计。由于本文采用的是有监督学习的方式，本文算法需要有大量的低慢小目标实测数据样本进行预训练，且应尽可能多的在各种背景环境下进行数据采集。

2 算法描述

2.1 算法流程描述

本文检测算法的具体流程如图1所示：

图1 算法流程Fig.1 Algorithm flow chart

1）对采集到的雷达回波信号进行匹配滤波与多普勒处理，生成距离-多普勒图（RD图）。

2）在RD 图上进行峰值检测（低门限二维CACFAR 检测）找出所有可疑目标的峰值点位置，根据目标峰值点在RD 图中的位置得到可疑目标的距离与速度信息。

3）通过天线指向、方向图、目标峰时刻进行角度测量，得到可疑目标的方位角度信息。

4）将卫星遥感地图转换为极坐标格式并进行图像分割，得到地图图像类别（田野、树林、建筑等）掩码。

5）根据距离与速度信息截取RD 图中可疑目标峰附近的像素点，形成“RD 峰区域图”。根据可疑目标的距离与角度信息，截取目标所在地图位置附近的遥感图像与类别掩码形成“峰区域地图”和“峰地图类别”。

6）将每个可疑目标的RD 峰区域图、峰区域地图和峰地图类别组合在一起，共同输入神经网络分类器进行分类，判断此可疑目标是否为真实目标，完成目标最终检测。

2.2 雷达与地图数据预处理

与传统雷达信号处理一样，对采集的信号数据进行匹配滤波、脉冲多普勒处理，提高目标信噪比、抑制杂波，形成回波信号的距离-多普勒数据，也就是RD 图，它是一个二维的数据矩阵，矩阵的每个元素表示一个特定距离单元和速度单元的回波信号强度。得益于匹配滤波和多普勒处理对回波信号的增益，在RD 图中具有一定速度的目标会具有比周围元素更高的信号幅值，形成一个凸起的峰，根据这个峰在RD 图中的位置可以得到其代表的径向距离和径向速度。在得到RD图后，紧接着用CFAR进行峰值检测。在距离维与多普勒维同时进行检测，当两个维度都被检测出有目标时就将其认作为可疑目标，之后以可疑目标峰为中心截取周围区域，得到RD 峰区域图。在后续神经网络的样本训练和检测输入时，只需输入这些被截取出的RD 峰区域数据。之所以截取RD 峰周围区域数据是因为RD峰周围数据也包含目标的信息。

在进行雷达信号数据与卫星遥感地图数据融合前，需要对雷达数据与地图数据进行配对映射，即找到当前雷达可疑目标的背景区域对应于地图中的像素区域，这主要是通过距离和角度信息进行关联。获取雷达最大探测区域内的卫星遥感地图，一般地图中像素点是按照空间直角坐标分布的，为了将其更好地与雷达数据相结合，以雷达位置为原点正北为0°对地图进行极坐标转换，得到以距离-角度为坐标的地图形式，具体转换公式如下：

其中，x0和y0为雷达原点坐标，x和y为地图中像素点的原始坐标，θ为坐标(x，y)像素点相对于雷达原点的方位角度，r为距离。

在经过极坐标转换得到距离-角度坐标下的地图后，将该地图输入到预先训练好的图像分割网络。本文使用的图像分割网络模型为Swin Transformer U-Net 模型［12］，它结合了Swin Transformer 和U-Net 的优势。它使用Swin Transformer 作为特征提取器，并在顶部添U-Net 的解码器部分。这样可以在保持Swin Transformer 高效率和表达能力的同时，利用U-Net 的跳跃连接结构来提高分割的精度和细节恢复能力，对高分辨率遥感图像有着较好的语义分割能力。在训练该地图分割模型时，使用的是武汉大学王俊珏博士采集的LoveDA 数据集［13］。遥感地图被送入到图像分割模块后就可以得到地图每个像素对应的地图类别掩码。

在雷达数据预处理阶段，已得到了可疑目标的距离和角度信息，可以据此与经过极坐标转换后的地图以及它经过分割后得到的类别掩码图进行像素点级别的映射，从而以映射的像素点为中心向四周截取出RD 峰区域对应的遥感地图以及其对应的地图类别掩码。

最终每个可疑目标都会得到RD 峰区域图、峰区域地图和峰地图类别这三类特征信息，各自记为xpeak、xmap、xmask。这些信息将作为一个整体输入到后续的网络模型中进行特征提取和分类检测任务。

2.3 神经网络模型

本文搭建的网络模型命名为雷达地图融合检测网络RMDN-V2（Radar Map fusion Detection Network Version 2），其结构如图2所示。该网络模型针对雷达信号和遥感地图两类数据设计了两个主辅特征提取模块，其中一个模块负责RD 峰区域图的距离维度与多普勒维度特征信息提取，另一个模块则用来提取遥感地图中的背景信息。网络的输入数据是数据预处理后得到的三种数据，即RD 峰区域图、峰区域地图以及峰地图类别，网络最后的输出是长度为2的特征向量，表示了有无目标的概率。RD 峰区域图输入到RD 图特征提取模块后，该模块会从各类可疑目标的RD 峰区域图中提取出最重要的雷达信号特征。峰区域地图和峰地图类别共同输入到遥感地图特征提取模块后，该模块会从地图中提取出有用的背景信息特征，作为最终目标检测的辅助信息。两个特征提取模块提取出的特征信息会被一个特征融合模块融合到一起，之后再传递到全连接网络中，得到可疑目标属于不同类别的概率。

图2 RMDN-V2结构示意图Fig.2 Schematic diagram of RMDN-V2 structure

1）RD图特征提取模块

RD图特征提取模块的具体结构如图3所示，其搭建以CNN 为主干，局部采用了ResNet 的残差分支结构。

图3 RD图特征提取模块结构示意图Fig.3 Schematic diagram of the structure of the RD image feature extraction module

不同于常规的残差结构，本文中所用的残差分支特征在汇入主干网络时并不是简单的相加模式，而是使用了一个自主设计的融合单元Fusion，简单的特征相加可能会破坏特征的完整性，而为此做出针对设计的Fusion 单元可以避免这一问题。其具体结构如图4所示。

图4 融合单元结构示意图Fig.4 Schematic diagram of fusion unit structure

融合单元的公式如下：

式（3）中x1，x2代表了融合单元的两个输入特征，xF代表了融合单元的输出，Cat(·，·)代表拼接操作，即将输入的特征图在通道维度进行拼接；Conv(·)代表卷积操作，卷积核的数量是x1和x2的通道数，卷积大小为3×3；BN(·)代表批量归一化操作，Relu(·)则为激活函数。融合单元的输入可以为两个或两个以上，但必须确保它们的大小尺度是一致的。

在RD 图特征提取模块中，采用了多层的卷积操作，以此获得RD 峰区域图中高层次、抽象的特征表示。通过加入残差结构，可以适当保留一些浅层的特征信息，让某些重要特征不会随着网络层数的加深而丢失，此外残差结构还可以帮助解决梯度消失和模型训练困难的问题。采用了Relu激活函数，当神经元输出为负值时将其置零，因此可以引发稀疏激活性，即只有部分神经元处于激活状态，其他神经元被抑制。这种稀疏性可以在一定程度上降低模型的复杂性，并有助于防止过拟合。在反向传播过程中，Relu函数能够保持正值的梯度为1，这意味着梯度能够有效地传播到更深层的网络。相比于其他激活函数（如Sigmoid 和tanh），Relu 的梯度不会出现饱和现象，从而减缓梯度消失的问题，有助于加快模型的训练速度。在Relu 层后都会进行一次Batch Normalization（BN）层，在每个mini-batch的训练数据中，对每个特征进行标准化，将其均值调整为0，方差调整为1，这样可以使得输入数据更加规范化，减少了不同特征之间的尺度差异，从而加速收敛过程、提高了模型的泛化能力。此外利用BN层，可以使得网络中每一层的输入都具有相似的分布，避免了梯度的不稳定性，这样可以更好地传播梯度，降低梯度消失和梯度爆炸的风险，从而提高模型的稳定性和训练效果。并且BN 层可以起到一定的正则化作用，有助于防止过拟合。在模型的最后加入了一个平均池化层来调整特征图的大小，这是为了能与遥感地图模块的特征张量进行匹配。

2）遥感地图特征提取模块

遥感地图特征提取模块主要负责地图背景信息的提取，由于这里地图只起到提供背景环境的辅助检测作用，与原始的RMDN相比，本文算法在遥感地图特征提取模块减少了卷积层的层数，其具体结构如图5所示。该模块的输入是峰区域地图和峰地图类别，它们各自经过一层卷积提取出浅层信息后，便将提取出的两种特征信息利用融合单元进行融合。紧接着，特征图会通过一个空间注意力机制模块进行加权，并与未加权的特征通过融合单元进行融合。

图5 遥感地图特征提取模块结构示意图Fig.5 Schematic diagram of satellite map feature extraction module structure

空间注意力机制通过为输入数据中的不同部分分配不同的权重，使模型能够根据任务的需要有选择地关注输入的某些部分，计算机视觉中，空间注意力机制可以帮助模型在图像中聚焦于重要的区域，从而减少模型对噪声和干扰的敏感性，达到提高模型鲁棒性的效果。

空间注意力机制公式如下：

其中x代表了模块的输入特征图，xa代表了输出的空间注意力机制特征图，Conv(·)代表卷积操作，在整个过程中，输入与输出的通道数与大小不变。sigmoid函数用来生成每个特征点上的空间注意力权重，最后通过与特征图x相乘的方式来施加空间注意力影响。雷达在某些区域进行探测时容易产生虚警点，例如高大树丛处、风电场区等，通过用空间注意力机制关注这些特别的区域可以应用这些虚警点的特征。在与空间注意力机制信息融合后，特征图会继续被送入卷积和残差结构中，进行更深层的特征提取。

雷达探测目标的准确性很大程度上受周围环境的影响，而遥感地图可以直接地展现出探测目标所处的背景环境信息，通过融入目标背景环境信息，让算法可以适应不同背景环境下的检测任务，提高目标检测的准确性和鲁棒性，降低对强杂波和运动目标干扰的敏感性，从而达到提高目标检测算法在复杂环境中的性能的目的。本文通过融入遥感图像提供背景环境信息，让神经网络能动态的根据不同的背景环境信息调整判决模型参数（门限）。

3）特征融合模块

特征融合模块主要起到将雷达信号特征以及地图特征进行融合的作用。在检测任务当中，只有雷达数据会包含目标信息，地图信息只是提供了探测环境的背景信息，起到辅助作用，所以雷达数据特征应在目标检测中占主导地位。在雷达与地图特征进行通道合并后，加入了WANG Qilong等人［14］提出的ECA（Efficient Channel Attention）模块，通过加入通道注意力机制，让模型可以自动学习雷达数据特征与地图数据特征的关联程度，并给予更重要的通道更高的权重。这样可以使模型更有效地利用特征图中有用的通道信息，进而提高模型的表现和泛化能力。ECA模块首先通过全局平均池化得到每个通道的全局平均值，然后利用一维卷积高效实现局部跨通道交互，提取各个通道间的关系，在这之后再经过Sigmoid激活函数得到各个通道的权重，最后将权重与原始输入特征图对应通道元素相乘并再通过一个1×1的二维卷积进行降维从而得到最终的融合特征，整个特征融合模块具体结构如图6所示。

图6 特征融合模块结构示意图Fig.6 Schematic diagram of feature fusion module structure

雷达信号特征与地图特征在经过特征融合模块后得到融合特征，最后融合特征会被送到全连接网络中，得到有目标以及无目标的概率。

4）损失函数

RMDN-V2 模型训练时采用的是交叉熵损失函数（CrossEntropy Loss），它是一种常用的分类问题损失函数，常用于训练神经网络模型。在实际雷达搜索探测中，含有目标的雷达回波数是极少的，大部分是杂波回波数据，即样本的类别是极不均衡的，在峰值检测过后得到的目标峰的类别分布为40∶1（虚假可疑目标：真实可疑目标）。为了克服样本类别分布不均衡的问题，避免模型对虚假目标样本过度依赖，本文的损失函数对两种类别设置了相应的权重，损失函数如式（5）。

式（5）中，w0和w1代表两种类别的损失权重，该权重由类别数的比例决定，即w0：w1=n1：n0且w0+w1=1，n0与n1代表两种类别的样本数。

3 实验结果

3.1 实验数据集说明

本文实验所采用的数据为城市和郊区环境背景下无人机目标的雷达实测数据。本实验所用雷达为C 波段脉冲雷达，信号带宽20 MHz，脉冲重复周期为64.88 μs，相干脉冲数为1536，天线方位角转速为12 c/m，方位波束宽度为5°，俯仰多波束，俯仰单波束宽度为5°。无人机目标有两类，分别为大疆精灵4 无人机与大疆御2pro 无人机，飞行时为合作目标记录航路信息。背景环境包括楼宇、公路、高压线、树木、荒地等，飞行实验信息如表1所记录。

表1 数据采集表Tab.1 Data collection table

本文用大疆精灵4无人机与大疆御2pro分别进行了两次飞行实验构成数据集，其具体外观如图7所示。

图7 大疆御 2pro（左）与精灵 4（右）无人机展示Fig.7 DJI Mavic 2 Pro（left）and Phantom 4（right）display

3.2 模型参数

本文的网络模型详细参数如表2所示。在训练阶段，采用的是Adam 优化器，学习率为0.001，batch size=1024，系统环境为ubuntu 18.04，硬件设备为CPU E5-2680 v4 和GPU 1080 ti，编程语言为Matlab 和PyTorch，当中Matlab 主要负责基带数据的预处理，Pytorch负责网络模型训练和处理。

表2 模型参数Tab.2 Model parameter

3.3 算法性能实验

为了检验本文算法的性能，首先将本文的检测算法与传统的CFAR 算法以及原有的RMDN 进行比较。对于经典的CFAR 模型，通过改变检测门限系数，来计算虚警率变化时的检测率。对于本文提出的RMDN-V2模型，通过改变类别概率门限，来仿真不同虚警率下的检测率分布情况。

从图8中可以看出，在使用相同检测算法的情况下，对精灵4的检测性能表现均优于御2pro，这是因为御2pro雷达反射截面积更小，雷达回波更弱，检测难度更高，所以相同检测方法在相同虚警率下，御2pro检测率要低于精灵4。在各种虚警率情况下本文提出的RMDN-V2算法对两类目标的检测性能均优于原有的RMDN算法以及CFAR检测算法，其检测性能的提升在体积更小的御2pro上表现得尤为明显，在虚警率1×10-6时，RMDN-V2 对御2pro 的检测率比RMDN高出约30%，比CFAR检测高出约50%。改进后的RMDN-V2模型适当地减小了地图特征提取模块的网络深度，同时通过加入通道注意力机制来让网络自主学习雷达与地图特征的权重，使得RMDN-V2相比RMDN对低慢小目标有了更好的检测性能。

图8 RMDN-V2算法与传统CFAR及RMDN对御2pro（左）和精灵4（右）检测结果对比Fig.8 Comparison of detection results between RMDN-V2 algorithm and traditional CFAR and RMDN for Mavic 2 Pro（left）and Phantom 4（right）

在图9 中展示了在相近虚警率下RMDN-V2 和CFAR 检测各自在御2pro 和精灵4 无人机的测试集数据中检测到的点迹。在本文中，神经网络只是进行真伪目标的二分类，不进行距离和方位角信息预测，距离和方位角信息由先前的数据预处理过程获得。图9中的每一个点迹都对应着RD图中的一个可疑目标峰，数据预处理时得到的可疑目标峰若在通过神经网络判决后被判断为无人机目标，则根据其距离和方位角信息在图中绘制出相应的点迹，此过程中没有进行航迹关联处理。在图中，RMDN-V2检测到的目标点迹更为连续密集，CFAR检测所得的目标点迹则相对稀疏，目标点迹缺失现象更为明显，若应用在实际检测场景中，RMDN-V2更不易丢失目标。

图9 RMDN-V2和CFAR检测点迹展示Fig.9 Display of RMDN-V2 and CFAR detection traces

本节实验还进行了与其他算法的比较，当中包括FAN-FCNN［15］、Win-CNN［16］和PD-method［9］。该实验是在RD峰区域图大小为7×7条件下进行的，FANFCNN、Win-CNN和PD-method无地图融合结构，在本次实验均不输入地图信息，结果如表3所示。

表3 与其他深度学习方法的对比实验（虚警率=1×10-6）Tab.3 Comparative experiments with other deep learning methods（FAR=1×10-6）

FAN-FCNN 和Win-CNN 都是基于深度学习网络的雷达目标检测方法，尝试用这两种算法对无人机雷达实测数据进行检测，其效果均不理想，检测性能远远弱于本文的RMDN-V2 算法。经分析认为：FAN-FCNN 全部由全连接层构成，网络结构相对简单，难以从低慢小雷达实测数据中提取出关键的信号特征。而Win-CNN 该文章中的输入数据是整张RD图，与本文的输入数据RD峰区域图有着较大区别，所以该网络表现的性能不佳。PD-method其同样是使用脉冲雷达对无人机目标进行检测，基于神经网络对RD 图进行特征提取，与本文对雷达数据的特征提取方法类似，但在本文数据下训练时，由于样本的类别极不均衡，模型易被训练成把所有目标都判断成虚假目标。从以上结果可以验证本文算法的优越性。

3.4 性能影响因素分析

1）地图信息辅助效果实验

在本文所构建的检测模型中，分别输入RD 峰区域图、峰区域地图和峰地图类别这三类信息，其中RD 峰区域图信息是用来检测目标的主要信息，地图信息和地图类别信息主要起到提供背景环境信息的辅助作用。

该实验主要目的是探究地图信息与地图类别信息对检测任务的贡献程度。图10展示了给神经网络的输入数据，图11展示了各个模块的输出特征图，包括对融合后特征的展示。在“No Mask”模型中，去除了xmask特征提取分支，保留了xmap的特征提取分支，即直接输入极坐标转换后的遥感地图信息。在“No Map”模型中，去除了xmap特征提取分支，保留了xmask的特征提取分支，即直接输入峰地图类别信息。在“No Mask and Map”模型中，去除了遥感地图特征提取模块，只保留了RD 图特征提取模块，该模型就是单单使用雷达信息的检测模型。

图10 初始输入RD峰区域图（左）、峰区域地图（中）、峰地图类别（右）Fig.10 Initial input RD peak area map（left），peak area map（center），and peak map category（right）

图11 RD图特征提取模块输出特征图（左）、地图特征提取模块输出特征图（中）、特征融合模块输出特征图（右）Fig.11 RD image feature extraction module output feature map（left），map feature extraction module output feature map（center），feature fusion module output feature map（right）

图12 展示了4 类模型实验结果ROC 曲线。其中完整的RMDN-V2 模型利用了RD 峰区域图、峰区域地图和峰地图类别这三类信息，其性能表现最好；只用遥感地图信息进行辅助的“No Mask”和只用地图类别信息进行辅助的“No Map”模型性能都有所下降，而不用辅助信息只用雷达信息进行检测的“No Mask and Map”模型性能表现最差。从本实验结果说明峰区域地图和峰地图类别信息对于雷达目标检测有好的辅助效果，它们能有效提高雷达目标检测性能。进一步比较，“No Map”模型性能好于“No Mask”模型，这说明地图类别信息作为地图信息的进一步提炼起到更好的辅助检测效果，同时说明了使用地图类别信息作为分类网络的先验信息对本文的检测任务是有效的。

图12 不同地图信息辅助情况下ROC对比曲线Fig.12 Comparison of ROC curve with different map information aids

2）RD峰区域图大小性能影响实验

截取RD峰区域图时，是在RD图上按一定的边长截取以峰值点为中心的正方形区域作为RD 峰区域图，RD 峰区域图大小实验将对比不同大小的RD峰区域对目标检测性能的影响。

对比了分别采用边长为3 到12 的RD 峰区域图下的检测效果，当边长为奇数时，是以峰值点为中心对称取点，当边长为偶数时，以峰值点为中心，上半部分比下半部分多取一点，左半部分比右半部分多取一点，例如边长为12时，是以峰值点为中心，峰值点左半区长度为6，右半区长度为5，上半区长度为6，下半区长度为5。具体实验结果如表4所示。

表4 不同RD峰区域图大小检测性能实验结果（虚警率=1×10-6）Tab.4 Experimental results of different RD peak area sizes（FAR=1×10-6）

从实验结果中可以看出，在虚警率为1×10-6时，检测率从整体上看是随着RD峰区域图的增大而先提高随后下降的趋势，当RD峰区域图大小取到7×7时检测效果最好。雷达信号带宽20 MHz，加窗距离分辨率约为10 m，采样量化单元是6 m，雷达主瓣宽度到根部一般都有5～7个采样点，用7个采样点可以把主瓣能量和特征都用上，这与实验结果也是吻合的。

3）峰区域地图大小性能影响实验

峰区域地图大小实验的主要目的是探究输入到网络中与RD 峰区域对应的地图大小对算法检测性能的影响。

从表5中可看出，峰区域地图大小在边长140 m左右时算法的检测性能最好，当峰地图大小与140 m范围差距越大时，检测性能下降越明显。这应该是与雷达信号检测用的信号覆盖区域大小有关，检测时使用的距离范围为42 m（采样单元7 个，RD 峰区域取值），横向宽度为157 m（方位波束宽度5°在距离1800 m处对应宽度），这与140 m相当。当峰区域地图代表的实际范围太小时，地图所能提供的环境信息过少，无法起到有效的辅助检测作用，而当峰区域地图代表的实际范围太大时，会引入大量与无人机检测实际背景无关的地图信息，对网络提取关键背景环境信息进行干扰，导致检测性能下降。

4 结论

本文在文献［1］提出的RMDN算法模型的基础上进行了优化改进，主要从区分雷达数据和遥感地图数据的主次作用进行优化，一方面通过适当减少遥感地图特征提取模块的卷积层数，减少了整体模型对地图信息的关注度；另一方面通过新加入通道注意力机制让网络自主学习雷达与地图特征的权重，让其能自主区分雷达与地图特征的重要性。此外，本文更深入分析了RMDN 类算法输入数据RD峰区域图大小和峰地图大小选取对检测性能的影响。实测数据验证结果表明了本文算法的优越性，对于两类无人机目标检测RMDN-V2算法都表现出了较好的检测性能，尤其是对体积更小，更难以检测的大疆御2pro 无人机，RMDN-V2 的检测性能提升尤为明显，在虚警率1×10-6时，RMDN-V2 对御2pro 的检测率比RMDN 高出约30%，比CFAR 检测高出约50%。本文为解决当下低慢小目标检测的难题提出了新的算法。