(Chenxing Wang, Jiangmin Tian*, Jiuwen Cao* and Xiaohong Wang, Deep Learning based UAV Detection in Pulse Doppler Radar, IEEE Transactions on Geoscience and Remote Sensing, 2021, published online)
近年来，随科技的进步及国家政策对低空域的开放，以无人机(Unmanned aerial vehicles, UAVs)为代表的低慢小目标因获取便利、应用广泛而呈爆发式增长，针对此类目标的监测方法成为研究热点。由此，与成都天奥信息科技有限公司(中国电子科技集团公司第十研究所下辖)合作，我院人机混合智能与智慧健康研究中心在雷达低慢小目标检测方向的研究论文“Deep Learning based UAV Detection in Pulse Doppler Radar”被IEEE地理科学与遥感领域顶级期刊IEEE Transactions on Geoscience and Remote Sensing录用。相比于传统的恒虚警率(Constant false alarm rate, CFAR)检测法，该研究有效提高了对低慢小目标的检测率并降低虚警率，提出了基于深度学习的无人机检测模型及新型的非极大值抑制算法。
小型无人机具有“散射截面小、飞行速度慢、飞行高度低”的特点，通常会导致目标在雷达回波中出现反射信号微弱、多普勒频移不显、杂波干扰严重等问题，使得传统CFAR检测器难以在距离-多普勒(Range-Doppler, R-D)图中区分目标与背景。此外，由于CFAR检测器的阈值设定取决于对环境的杂波分布估计，使得模型环境自适应性差而依赖专家经验。对此，本课题根据R-D图中目标呈局部峰状的特点将检测问题转化为二分类问题，利用深度学习技术对深层特征的强表达能力研究基于深度学习的雷达小目标检测方法，主要内容与创新点包括：1）提出一种基于滑窗和卷积神经网络的检测模型，在通过Softmax层输出每一图像块包含目标分类置信度的同时，利用回归模块(Regression-head)得到对应目标的坐标偏移量，从而实现对目标的精准定位并提高检测率；2)针对由网络产生大量虚警目标的问题，本研究提出了一种包含概率阈值分割、分布密度筛选及坐标统计滤波的新型非极大值抑制(Non-maximum suppression, NMS)策略，使虚警目标得以有效抑制；3）相比于现有深度学习模型，本方案可通过NMS中的阈值实现对无人机检测的多档虚警率调控，大幅提高了算法的实用性。论文的检测算法在仿真数据及成都天奥信息科技有限公司提供的实测数据中得到了验证。
论文第一作者为研究生王陈幸，指导老师田江敏、曹九稳为共同通讯作者，研究获得了国家自然科学基金重点、浙江省重点研发及成都天奥信息科技有限公司的资助。
算法核心框架图：
目标与图像块中心的位置偏移值计算：
检测率、虚警率随概率阈值调控的变化曲线：
（a）检测率 （b）虚警率
CFAR方法、现有深度学习模型、本文方法在仿真与实测数据上的对比实例：
