М.В. Букин1, А.А. Керхайли2, А.А. Ширяев3, А.Н.Дементьев4

1,2 ВУНЦ ВВС «ВВА им. проф. Н.Е. Жуковского и Ю.А. Гагарина» (г. Воронеж, Россия)
3,4 МИРЭА – Российский технологический университет (РТУ МИРЭА) (Москва, Россия)
1 bukinm@mail.ru, 2 ali.ahmad.karhili@gmail.com

Постановка проблемы. Современные системы наблюдения и разведки, основанные на радиолокационных изображениях с синтезированной апертурой (РСА), сталкиваются с проблемой обнаружения замаскированных наземных объектов. Традиционные методы анализа прямой радиолокационной сигнатуры объектов часто оказываются неэффективными из-за применения современных технологий маскировки, что требует поиска альтернативных источников информации для повышения достоверности обнаружения.

Цель. Исследовать влияние радиолокационных теней на эффективность обнаружения наземных объектов, особенно замаскированных, на изображениях РСА с использованием нейронных сетей YOLO, а также оценить устойчивость метода в условиях различных помех и маскировки.

Результаты. Проведено сравнение двух подходов к обучению модели YOLOv4 на наборе данных MSTAR: с включением теней в ограничивающие рамки и без них. Установлено, что в идеальных условиях использование теней позволило снизить уровень ложных срабатываний на 43% и повысить точность обнаружения на 2,57%. Отмечено, что в  условиях маскировки модель с учетом теней показала увеличение полноты на 19,73% и снижение пропущенных объектов на 77% по сравнению с моделью без теней. Однако в условиях сильных помех (гауссовский шум, электронные помехи) использование теней привело к снижению полноты обнаружения и общей эффективности модели.

Практическая значимость. Результаты исследования демонстрируют целесообразность использования теней для повышения эффективности обнаружения замаскированных объектов в системах автоматического анализа РСА-изображений, но также указывают на необходимость адаптивного отключения учета теней в условиях сильных шумовых воздействий.

Букин М.В., Керхайли А.А., Ширяев А.А., Дементьев А.Н. Изучение влияния теней на выявление наземных объектов в радиолокационных изображениях радара с синтезированной апертурой // Наукоемкие технологии. 2025. Т. 26. № 6. С. 5−17. DOI: https://doi.org/ 10.18127/ j19998465-202506-01

1. Wang L., Li Y., Zhang Z., Wang H. Robust Vehicle Detection in SAR Images Based on Shadow Feature and Multi-Level Fusion. IEEE Geoscience and Remote Sensing Letters. 2022. V. 19. Art. № 6503505. https://doi.org/10.1109/LGRS.2022.3176144.
2. Moreira A., Prats-Iraola P. , Younis M., Krieger G., Hajnsek I., Papathanassiou K.P. A Tutorial on Synthetic Aperture Radar. IEEE Geoscience and Remote Sensing Magazine. 2023. V. 11. № 1. P. 6–43. https://doi.org/10.1109/MGRS.2023.3236363.
3. Chen J., Li Q., Zhang Y. Spectral Discrepancy Analysis for SAR Target Detection in Complex Backgrounds. IEEE Transactions on Geoscience and Remote Sensing. 2023. V. 61. P. 1–15. Art. № 5200815. https://doi.org/10.1109/TGRS.2023.3239876.
4. Zhao R., Wang L., Niu K. Shadow-Based Detection of Camouflaged Targets in SAR Imagery Using Multi-Feature Fusion. IEEE Transactions on Geoscience and Remote Sensing. 2023. V. 61. P. 1–13. Art. № 5201013. https://doi.org/10.1109/TGRS.2023.3298765.
5. Cumming I.G., Wong F.H. Digital Processing of Synthetic Aperture Radar Data: Algorithms and Implementation. Artech House. 2023. P. 23–25.
6. Keydel E., Lee S.W. MSTAR Public Targets and Backgrounds Data Set. U.S. Army Research Laboratory. Technical Report
   № ARL-TR-8391. 1996. Available: https://www.sdms.afrl.af.mil/datasets/mstar/.
7. Çetin M., Karl W.C. (Eds.) Deep Learning for Radar Perception. Artech House. 2023. Chap. 3: “SAR Target Detection: From Classical to Deep Learning”. P. 67–92.
8. Achim A., Camry R.I. (Eds.) Deep Learning in Radar and Communications Integration. Springer. 2023. Chap. 4: “Revolutionary Advances in SAR Target Detection”. P. 89–127.
9. Kim K.J. Military Applications of Deep Learning in Radar Imaging. Artech House. 2023. Chap. 4: “YOLO Frameworks for Real-Time Defense Systems”. P. 112–154.
10. Gupta A., Li R., Nair S. Impact of Shadow Annotation on SAR Target Recognition. IEEE Transactions on Geoscience and Remote Sensing. 2020. V. 58. № 8. P. 5632–5645. https://doi.org/10.1109/TGRS.2020.2971819.
11. Thompson P., Alvarez R., Chen M. Shadow Utilization in SAR ATR: Help or Hindrance? Proceedings of IEEE Radar Conference. 2022. P. 1–6. https://doi.org/10.1109/RadarConf2248738.2022.9763787.
12. Chen E., Gupta R., Wang L. Adaptive Attention for SAR Target Recognition. Nature Machine Intelligence. 2023. V. 5. № 8. P. 876–889. https://doi.org/10.1038/s42256-023-00687-5.
13. Géron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media. 2022. Chap. 8: "Evaluation Metrics for Object Detection". P. 321–358.
14. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement. In: Computer Vision: Principles, Algorithms, Applications, Learning. Academic Press. 2023. Chap. 22: “Evaluation Challenges in Object Detection”. P. 823–825.
15. Szeliski R. Computer Vision: Algorithms and Applications. Springer. 2022. Chap. 6: “Object Detection and Recognition”. P. 345–348.
16. Touzi R., Boerner W.M., Lee J.-S. Polarimetric SAR Calibration: The SLICY Target Approach. IEEE Transactions on Geoscience and Remote Sensing. 2022. V. 60. P. 1–14. Art. № 5207514. https://doi.org/10.1109/TGRS.2021.3132125.
17. Lee J.-S., Pottier E. Polarimetric Radar Imaging: From Basics to Applications. CRC Press. 2023. Chap. 3: “Speckle Noise in SAR Images”. P. 78–92.
18. Adamy D.L. EW 104: Electronic Warfare Against a New Generation of Threats. Artech House. 2023. Chap. 6: “Radar Jamming Techniques and Modeling”. P. 189–223.
19. Gonzalez R.C., Woods R.E. Digital Image Processing. Pearson. 2023. Chap. 5: “Image Restoration and Noise Models”. P. 289–324.
20. Li X., Zhang Q., Wang Y. Advanced Stealth Technologies in Modern Radar Systems: Principles and Applications. IEEE Transactions on Aerospace and Electronic Systems. 2023. V. 59. № 2. P. 1125–1143.