基于改进YOLOv8的SAR图像目标检测算法

doi:10.12305/j.issn.1001-506X.2026.11.09

系统工程与电子技术 ›› 2026, Vol. 48 ›› Issue (11): 3770-3778.doi: 10.12305/j.issn.1001-506X.2026.11.09

基于改进YOLOv8的SAR图像目标检测算法

罗益炜¹^,²(), 徐正¹^,²(), 刘向宏³(), 曹越¹^,²(), 陈庆锌¹^,²(), 唐云杉¹^,²()

1. 中国科学院空天信息创新研究院，北京 100094
2. 中国科学院大学电子电气与通信工程学院，北京 100049
3. 中国人民解放军 93160部队，北京 100041

收稿日期:2025-09-09 修回日期:2026-01-28 接受日期:2026-06-03 出版日期:2026-10-25 发布日期:2026-05-29
通讯作者: 徐正 E-mail:624860529@qq.com;xuzheng292@163.com;liuxh232@163.com;yuecao0927@hotmail.com;chenqx01@aircas.ac.cn;tangyunshan22@mails.ucas.ac.cn
作者简介:罗益炜（2003—），男，硕士研究生，主要研究方向为SAR目标检测、深度学习
刘向宏（1968—），男，正高级工程师，硕士，主要研究方向为空基预警探测与信息传输
曹　越（1986—），男，副研究员，博士，主要研究方向为实时信号处理与高性能计算
陈庆锌（1994—），男，助理研究员，硕士，主要研究方向为雷达系统设计、信号处理
唐云杉（1994—），男，博士研究生，主要研究方向为SAR目标检测，SAR目标图像生成
基金资助:
国家自然科学基金（62271363）资助课题

Improved YOLOv8-based target detection algorithm for SAR images

Yiwei Luo¹^,²(), Zheng Xu¹^,²(), Xianghong Liu³(), Yue Cao¹^,²(), Qingxin Chen¹^,²(), Yunshan Tang¹^,²()

1. Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100094，China
2. School of Electronic，Electrical and Communication Engineering，University of Chinese Academy of Sciences，Beijing 100049，China
3. Unit 93160 of the PLA，Beijing 100041

Received:2025-09-09 Revised:2026-01-28 Accepted:2026-06-03 Online:2026-10-25 Published:2026-05-29
Contact: Zheng Xu E-mail:624860529@qq.com;xuzheng292@163.com;liuxh232@163.com;yuecao0927@hotmail.com;chenqx01@aircas.ac.cn;tangyunshan22@mails.ucas.ac.cn

摘要/Abstract

摘要：

针对合成孔径雷达（synthetic aperture radar，SAR）图像目标检测任务，提出一种基于YOLO（you only look once）框架的目标检测算法。针对传统光学检测模型在SAR图像小目标检测中存在的性能局限，通过3个关键技术创新实现性能提升。首先，在损失函数中引入尺度无关的归一化Wasserstein距离，改善小目标检测性能。其次，引入高效多尺度注意力机制，增强模型对SAR图像特征的提取能力。最后，设计一种基于Transformer架构的轻量化检测头，在提高检测精度的同时降低计算复杂度。在高分辨率SAR图像数据集（High-Resolution SAR Images Dataset，HRSID）上的实验结果表明，所提算法较YOLOv8n基准模型在小目标mAP₅₀上提升3.9%，整体mAP₅₀提升1.2%，计算量降低6.1%，实现精度与效率的协同优化。通过另外3个数据集进行泛化实验，进一步验证所提算法具有优良的泛化能力。

关键词: YOLOv8, 合成孔径雷达, 目标检测

Abstract:

This paper proposes an improved object detection algorithm based on the YOLO （you only look once） framework for synthetic aperture radar （SAR） image target detection. To address the performance limitations of traditional optical detection models in detecting small targets in SAR images, this study introduces three key technical innovations. First, a scale-independent normalized Wasserstein distance （NWD） metric is incorporated into the loss function to enhance small target detection. Second, an efficient multi-scale attention （EMA） mechanism is employed to improve the model’s ability to extract features from SAR images. Finally, a lightweight detection head named ATTDetect, based on the Transformer architecture, is designed to increase detection accuracy while reducing computational complexity. Experimental results on the High-Resolution SAR Images Dataset （HRSID） show that compared to the baseline YOLOv8n model, the proposed algorithm improves mAP₅₀ for small targets by 3.9%, increases overall mAP₅₀ by 1.2%, and reduces computational load by 6.1%, achieving a synergistic optimization of accuracy and efficiency. Furthermore, generalization experiments conducted on other three datasets further validate the algorithm’s strong generalization capability.

Key words: YOLOv8, synthetic aperture radar, object detection

中图分类号:

TN 95

罗益炜, 徐正, 刘向宏, 曹越, 陈庆锌, 唐云杉. 基于改进YOLOv8的SAR图像目标检测算法[J]. 系统工程与电子技术, 2026, 48(11): 3770-3778.

Yiwei Luo, Zheng Xu, Xianghong Liu, Yue Cao, Qingxin Chen, Yunshan Tang. Improved YOLOv8-based target detection algorithm for SAR images[J]. Systems Engineering and Electronics, 2026, 48(11): 3770-3778.

图/表 18

图1

图2

图3

图4

图5

表1

表2

图6

表3

图7

表4

图8

图9

图10

表5

图11

图12

表6

参考文献 42

1	李良志. 基于深度神经网络的多源遥感影像匹配研究[D]. 西安: 长安大学, 2023.
2	徐文静, 刘杰, 于君明, 等. 基于极化对比增强和模板匹配的全极化SAR目标分类方法[J]. 无线电工程, 2025, 55 (1): 138.
3	苏晓洁, 刘秀清. 基于SAR极化特征的SVM道路提取方法研究[J]. 微电子学与计算机, 2022, 39 (8): 47. doi: 10.19304/J.ISSN1000-7180.2021.1368
4	邓竣天, 王小龙. 基于活动轮廓模型的SAR图像海岸线检测[J]. 科技创新与应用, 2024, 14 (28): 1. doi: 10.19981/j.CN23-1581/G3.2024.28.001
5	赵维, 张衡, 张华春, 等. 基于阈值与活动轮廓模型的SAR图像浒苔监测[J]. 国外电子测量技术, 2022, 41 (6): 140. doi: 10.19652/j.cnki.femt.2103567
6	周文雪, 张华春. 一种面向SAR图像快速舰船检测的轻量化网络[J]. 中国科学院大学学报（中英文）, 2024, 41 (6): 776. doi: 10.7523/j.ucas.2023.017
7	Ren S, He K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[EB/OL]. [2025-10-29]. https://arxiv.org/abs/1506.01497.
8	He K, Gkioxari G, Dollar P, et al. Mask R-CNN[C]//IEEE International Conference on Computer Vision, 2017: 2961.
9	Tian Y, Ye Q, Doermann D. YOLOv12: attention-centric real-time object detectors[EB/OL]. [2025-10-29]. https://arxiv.org/abs/2502.12524.
10	Khanam R, Hussain M. YOLOv11: an overview of the key architectural enhancements[EB/OL]. [2025-10-29]. https://arxiv.org/abs/2410.17725.
11	Wang A, Chen H, Liu L H, et al. YOLOv10: real-time end-to-end object detection[C]//38th International Conference on Neural Information Processing Systems, 2024.
12	Wang C Y, Bochkovskiy A, Liao H Y M. YOLOv7: trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]//IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023: 7464.
13	Li C, Li L, Jiang H, et al. YOLOv6: a single-stage object detection framework for industrial applications[EB/OL]. [2025-10-29]. https://arxiv.org/abs/2209.02976.
14	Bochkovskiy A, Wang C Y, Liao H Y M. YOLOv4: optimal speed and accuracy of object detection[EB/OL]. [2025-10-29]. http://arxiv.org/abs/2004.10934.
15	Redmon J, Farhadi A. YOLOv3: an incremental improvement[EB/OL]. [2025-10-29]. http://arxiv.org/abs/1804.02767.
16	Redmon J, Farhadi A. YOLO9000: better, faster, stronger[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2017: 6517.
17	Redmon J, Divvala S, Girshick R, et al. You only look once: unified, real-time object detection[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2016: 779.
18	Wang C Y, Yeh I H, Liao H Y M. YOLOv9: learning what you want to learn using programmable gradient information[C]//European Conference on Computer Vision, 2024.
19	Liu W, Anguelov D, Erhan D, et al. SSD: single shot multibox detector[C]//14th European Conference on Computer Vision, 2016: 21.
20	Lin T Y, Goyal P, Girshick R, et al. Focal loss for dense object detection[C]//IEEE International Conference on Computer Vision, 2017: 2980.
21	Vaswani A, Shazeer N, PARMAR N, et al. Attention is all you need[C]//31st Conference on Neural Information Processing Systems, 2017: 5998.
22	Ioffe S, Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift[C]//International Conference on Machine Learning, 2015: 448.
23	Lin T Y, Dollar P, Girshick R, et al. Feature pyramid networks for object detection[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2017: 2117.
24	He K, Zhang X, Ren S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2015, 37 (9): 1904. doi: 10.1109/TPAMI.2015.2389824
25	Liu S, Qi L, Qin H, et al. Path aggregation network for instance segmentation[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2018: 8759.
26	Wang J, Xu C, Yang W, et al. A normalized Gaussian Wasserstein distance for tiny object detection [EB/OL]. [2025-10-19]. https://arxiv.org/abs/2110.13389.
27	Ouyang D, He S, Zhang G, et al. Efficient multi-scale attention module with cross-spatial learning[C]//IEEE International Conference on Acoustics, Speech and Signal Processing, 2023.
28	Wei S, Zeng X, Qu Q, et al. HRSID: a high-resolution SAR images dataset for ship detection and instance segmentation[J]. IEEE Access, 2020, 8, 120234. doi: 10.1109/ACCESS.2020.3005861
29	Zhang T, Zhang X, Li J, et al. SAR ship detection dataset （SSDD）: official release and comprehensive data analysis[J]. Remote Sensing, 2021, 13 (18): 3690. doi: 10.3390/rs13183690
30	陈杰, 黄志祥, 夏润繁, 等. 大规模多类SAR目标检测数据集-1.0 [EB/OL]. [2025-10-19]. https://radars.ac.cn/web/data/getData?dataType=MSAR.
31	Zhang T, Zhang X, Ke X, et al. LS-SSDD-v1.0: a deep learning dataset dedicated to small ship detection from large-scale Sentinel-1 SAR images[J]. Remote Sensing, 2020, 12 (18): 2997. doi: 10.3390/rs12182997
32	Li X, Lv C, Wang W, et al. Generalized focal loss: towards efficient representation learning for dense object detection[J]. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2023, 45 (3): 3139. doi: 10.1109/tpami.2022.3180392
33	Jamali A, Roy S K, Bhattacharya A, et al. Local window attention transformer for polarimetric SAR image classification[J]. IEEE Geoscience and Remote Sensing Letters, 2023, 20, 4004205. doi: 10.1109/lgrs.2023.3239263
34	He Y, Zhu Y, Li H. Cross-layer channel attention mechanism for convolutional neural networks[C]//13th International Conference on Digital Image Processing, 2021: 437.
35	王磊, 张斌, 吴奇鸿. RCSA-YOLO: 改进YOLOv8的SAR舰船实例分割[J]. 计算机工程与应用, 2024, 60 (18): 103.
36	陈思敏. 基于深度学习的SAR图像目标分类和检测方法研究[D]. 南昌: 南昌大学, 2024.
37	唐雨. 基于深度学习的SAR舰船检测与分割方法研究[D]. 长春: 吉林大学, 2024.
38	Gao S, Liu J, Miao Y, et al. A high-effective implementation of ship detector for SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 19, 4019005. doi: 10.1109/lgrs.2021.3115121
39	李鑫. 面向SAR图像船舰的深度目标检测算法研究[D]. 成都: 电子科技大学, 2024.
40	朵琳, 殷瑜, 段威, 等. 基于改进YOLOv8的船舶目标检测算法[J]. 浙江大学学报（工学版）, 2025, 59 (11): 2379.
41	贾晓雅, 汪洪桥, 杨亚聃, 等. 基于YOLO框架的无锚框SAR图像舰船目标检测[J]. 系统工程与电子技术, 2022, 44 (12): 3703. doi: 10.12305/j.issn.1001-506X.2022.12.14
42	倪康, 贾文杰, 邹旻瑞, 等. 基于动态聚合网络的SAR目标检测[J]. 系统工程与电子技术, 2025, 47 (8): 2527. doi: 10.12305/j.issn.1001-506X.2025.08.11

实验配置	参数
CPU	Intel i9-12900
GPU	NVIDIA RTX A4000
RAM/GB	128
其他	CUDA12.1，Python 3.10.16

实验配置	参数
学习率	0.01
优化器	Adam
批大小	64
轮次	300

序号	NWD	ATTDetect	EMA	P/ %	R/ %	mAP₅₀/ %	mAP_50-95/ %	参数量（×10⁶）	计算量/G
1	−	−	−	90.4	84.9	91.1	66.1	3.0	8.1
2	√	−	−	90.8	84.8	91.3	65.9	3.0	8.1
3	−	√	−	92.3	84.2	91.6	66.7	3.0	7.6
4	−	−	√	91.4	86.2	92	66.7	3.0	8.1
5	√	√	−	91.2	84.5	91.6	65.4	3.0	7.6
6	√	−	√	91.7	85.1	91.5	66.5	3.0	8.1
7	−	√	√	91.8	86.1	92.1	66.6	3.0	7.6
8	√	√	√	92.2	85.1	92.3	92.3	3.0	7.6

模型	mAP₅₀/%	参数量（×10⁶）	计算量/G
RCSA-YOLO^[35]	90.7	4.5	14.4
YOLOv8m	92.3	25.8	78.7
YOLOv3-tiny	84.3	8.7	12.9
SSP-YOLOv7^[38]	93.4	101.40	33.58
SFPNIoUDet^[39]	91.2	—	429.86
SAR-Net^[36]	87.4	42.6	104.2
SSROD^[37]	87.7	55.4	131.79
DD-YOLO^[40]	92.2	13.94	9.8
所提算法	92.3	3.0	7.6

[1]	宋润泽, 崔洪博, 赵子龙, 刘建飞. 基于扩散超分重建的小目标检测方法[J]. 系统工程与电子技术, 2026, 48(9): 2931-2938.
[2]	吴少杰, 李开明, 秦钢, 张昊, 邓冬虎, 宋喜团. 基于多视角ISAR图像的雷达目标三维重建方法[J]. 系统工程与电子技术, 2026, 48(9): 2969-2978.
[3]	杨翰琨, 陈宝欣, 刘志坤, 刘宁波, 薛伟. 基于目标时频起伏特性的信号重构与检测方法[J]. 系统工程与电子技术, 2026, 48(9): 2987-2998.
[4]	陈卓, 徐志明, 张杨, 艾小锋, 程江华. 空间目标极化雷达动态回波建模与仿真方法[J]. 系统工程与电子技术, 2026, 48(9): 2999-3007.
[5]	杨宇超, 程耀, 方刚. 高速目标长时间积累与参数估计非搜索快速算法[J]. 系统工程与电子技术, 2026, 48(9): 3019-3028.
[6]	郤伟杰, 赖涛, 梁高天, 王青松, 黄海风. 基于最小熵的地基MIMO-SAR幅相校正GPU加速与嵌入式实现[J]. 系统工程与电子技术, 2026, 48(8): 2615-2625.
[7]	姜娜, 刘霖, 陈世龙. 基于证据理论的多源图像目标检测方法[J]. 系统工程与电子技术, 2026, 48(7): 2133-2143.
[8]	刘畅, 王凌宇, 夏浪, 李岳峰, 林欣, 刘艳阳, 黄鹏辉. 基于小波散射激励与SimAM的轻量化抗噪卷积神经网络的目标识别[J]. 系统工程与电子技术, 2026, 48(7): 2184-2194.
[9]	金梓涵, 江率, 刘彦斌, 曹越, 喻忠军. 基于脉间捷变频的低空聚束SAR快速成像算法[J]. 系统工程与电子技术, 2026, 48(7): 2229-2240.
[10]	付卫红, 彭文洪, 刘乃安. 面向高效检测的YOLOv11轻量化SAR图像船舶检测模型[J]. 系统工程与电子技术, 2026, 48(7): 2241-2250.
[11]	赵巍山, 尤思洋, 黄丽佳, 周光尧. 基于散射拓扑增强的双流SAR飞机检测网络[J]. 系统工程与电子技术, 2026, 48(6): 1848-1858.
[12]	袁永康, 王君旭, 华煜明, 张磊. 地基雷达对月多普勒补偿成像方法[J]. 系统工程与电子技术, 2026, 48(6): 1859-1868.
[13]	张杰, 常天庆, 王晓卫, 郝文龙, 汤鑫. 基于可见光与红外特征融合的轻量化目标检测方法[J]. 系统工程与电子技术, 2026, 48(5): 1481-1491.
[14]	王新, 周生华, 张新勋, 南静怡, 孙世坤. 全极化MIMO雷达主瓣压制干扰抑制方法[J]. 系统工程与电子技术, 2026, 48(5): 1539-1550.
[15]	杨泽莹, 陈卓, 徐志明, 艾小锋, 吴其华, 王玲. 空间目标ISAR图像部件正向标记方法[J]. 系统工程与电子技术, 2026, 48(4): 1165-1173.

基于改进YOLOv8的SAR图像目标检测算法

Improved YOLOv8-based target detection algorithm for SAR images

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 42

相关文章 15

编辑推荐

Metrics

本文评价

实验配置	场景1	场景2	场景3	漏检总数	误检总数
真实图像	11	8	37	—	—
YOLOv8n	12	9	42	6	13
所提算法	8	9	40	5	6

数据集	模型	mAP₅₀/%	参数量×10⁶	计算量/G
SSDD	文献[41]	94.8	—	—
	YOLOv8n	95.7	3.0	8.1
	所提算法	97.1	3.0	7.6
MSAR	DANet^[42]	70.25	—	12.94
	YOLOv8n	71.0	3.0	8.1
	所提算法	71.6	3.0	7.6
LS-SSDD-v1.0	YOLOv8n	72.9	3.0	8.1
LS-SSDD-v1.0	所提算法	73.4	3.0	7.6