DenoDet：基于变形多子空间特征去噪的SAR图像目标检测

合成孔径雷达（SAR）目标检测长期以来一直受到固有的斑点噪声和微小、模糊目标普遍存在的影响。尽管深度神经网络在SAR目标检测方面取得了进展，但它们的内在低频偏差和静态训练后权重在处理相干噪声和保持异质地形中的细微细节时表现不佳。受传统SAR图像去噪方法的启发，我们提出了一种名为DenoDet的网络，该网络通过显式的频率域变换来校正卷积偏差，并更加关注高频信息，从而形成一种自然的多尺度子空间表示，从多子空间去噪的角度检测目标。我们设计了TransDeno，一个动态频率域注意力模块，其作用类似于变换域软阈值操作，通过保留显著的目标信号并减弱噪声，在多个子空间中动态去噪。为了自适应调整子空间处理的粒度，我们还提出了一种可变形组全连接层（DeGroFC），该层根据输入特征动态变化组的数量。无需复杂的附加功能，我们的即插即用TransDeno模块在多个SAR目标检测数据集上取得了最先进的成绩。代码可在https://github.com/GrokCV/GrokSAR 获取。