اكتشاف الأهداف باستخدام رادار الفتحة الاصطناعي (SAR) كان يعاني لفترة طويلة من الضوضاء النقطية المتأصلة والانتشار الواسع للأهداف الصغيرة والغامضة. رغم أن الشبكات العصبية العميقة قد أحدثت تقدماً في اكتشاف أهداف SAR، إلا أن التحيز الترددي المنخفض الخاص بها والأوزان الثابتة بعد التدريب لا تؤدي بشكل جيد في التعامل مع الضوضاء المتماسكة وحفظ التفاصيل الدقيقة عبر التضاريس غير المتجانسة. مستوحى من تقنيات تنقية صور SAR التقليدية، نقترح DenoDet، وهي شبكة مدعومة بتحويل صريح في المجال الترددي لضبط تحيزات الإconvolution وزيادة التركيز على الترددات العالية، مما يشكل تمثيلاً فرعيًا متعددًا طبيعيًا لاكتشاف الأهداف من وجهة نظر التنقية المتعددة الفراغات. قمنا بتصميم TransDeno، وهو وحدة انتباه ديناميكية في المجال الترددي تعمل كعملية تقليم ناعمة في المجال المتحول، حيث تقوم بتنقية ديناميكية عبر الفراغات الفرعية عن طريق الحفاظ على إشارات الأهداف البارزة وتقليل الضوضاء. للتعديل التكيفي على حجم معالجة الفراغ الفرعي، نقترح أيضًا طبقة متصلة بالكامل مجموعها قابل للتغيير (DeGroFC) والتي تتغير بشكل ديناميكي بناءً على الخصائص الدخيلة. بدون أي تعقيدات زائدة، يحقق TransDeno القابل للإدخال والإخراج أفضل النتائج الحالية على عدة مجموعات بيانات لاكتشاف أهداف SAR. يمكن الحصول على الكود من https://github.com/GrokCV/GrokSAR.