合成孔径雷达（synthetic aperture radar，SAR）在海洋监测、灾害管理、环境保护和智能驾驶等领域应用广泛，尤其在船舶目标检测中. 尽管SAR图像受散斑噪声和复杂海岸线的影响，但其全天候特性在弱光和高云量的条件下优于可见光和红外图像，仍在港口实时监测、船舶识别和跟踪中发挥重要的作用.

SAR船舶检测算法包括恒定误报率（constant false alarm rate，CFAR）^[1]和基于卷积神经网络（convolutional neural network，CNN）^[2]的方法. CFAR能够有效地探测船舶目标并适应环境的变化，但在复杂背景下效率较低. 基于CNN的算法具有自适应特征学习、高精度和良好的背景适应性，已成为船舶检测的首选.

基于CNN的目标检测算法通常分为单阶段和两阶段方法. 常见的两阶段检测算法如区域卷积神经网络（region-based convolutional neural network，R-CNN）^[3]算法，通过候选区域生成与分类回归实现检测，精度高，但计算复杂. 相比之下，单阶段检测算法如YOLO（you only look once，YOLO）^[4]通常具有较低的计算复杂度，更适合实时应用. YOLO系列模型通过高效的检测方法、轻量化架构、多尺度特征融合和注意力机制，在复杂背景和高噪声环境下，显著提升了SAR船舶图像的检测速度和精度. Li等^[5]提出基于YOLOv5的轻量化方法，采用通道剪枝、知识蒸馏和双向特征金字塔网络，提升了精度，但存在特征丢失的问题. Tang等^[6]提出基于YOLOv7的改进模型，通过多尺度感受域卷积块提高检测精度，但计算开销较大，影响推理速度和资源利用.

YOLOv8是YOLO系列中的高性能目标检测器，采用CSPDarknet53作为骨干网络，通过残差连接和特征融合^[7]提高特征提取能力，并优化网络结构以提升推理速度. Zhao等^[8]基于YOLOv8，结合注意力机制和多尺度特征增强技术，提升了SAR船舶检测的精度和适应性，但散斑噪声和自然杂波的干扰导致较高的虚警率和漏警率.

为了显著增强复杂SAR图像环境中的船舶探测能力，结合SAR图像中船舶密度高、背景不平衡及目标尺寸变化大等问题，本文提出基于改进YOLOv8模型的算法，研究创新贡献详述如下.

（1）为了解决目标尺寸变化大及提取多尺度上下文信息能力不足的问题，设计双膨胀残差（contextual feature fusion with double dilated module，C2f-DD）模块，显著提高多尺度特征的提取效率，增强卷积核层的特征提取能力.

（2）为了提升模型精度并增强该模型在复杂背景下的鲁棒性，设计可变形注意力（spatial pyramid pooling fast attention，SPA）模块. 通过引入可变形注意机制，使得模型能够专注于图像中的关键区域.

（3）为了降低计算开销和模型复杂性，并有效解决背景噪声复杂和细节丢失的问题，使用轻量级上采样模块.

（4）为了提升对关键特征提取的敏感性，增强模型对复杂背景中各种目标特征和变换的适应性，设计轻量动态检测头模块，显著提高了多种背景中目标检测的准确性.

DD-YOLO模型的整体设计架构如图1所示. DD-YOLO基于YOLOv8，主要由3个部分组成：多尺度提取骨干网络、颈部网络和检测网络.

多尺度提取骨干网络具有增强的特征提取和多尺度语义感知能力，该骨干网络包括Conv（Convolution）模块、C2f（Concatenate Cross Stage Partial Fusion）、C2f-DD和SPA模块. C2f-DD模块结合了扩展膨胀卷积（dilated weighted residual，DWR）^[9]和扩展重参数卷积（dilated weighted residual dilated reparam block，DRB）^[10]的动态调整和增强特征的优点. 可变形注意力模块是在快速空间金字塔池化模块（spatial pyramid pooling–fast，SPPF）中加入可变形注意力机制^[11]. 骨干网络通过增强特征提取能力、多尺度语义融合以及引入可变形注意力机制，有效丰富了梯度流信息.

在颈部部分，将YOLOv8原始的上采样替换为动态上采样（dynamic sampling upsampler，Dysample）^[12]，以增强低分辨率图像和小目标的检测能力，并进一步提升模型在复杂背景中的特征提取能力.

检测头部分使用轻量动态检测头（dynamic head prune，DyHead-Prune），通过轻量优化和多维度注意力机制，在保持高检测精度的同时，有效地提高了模型性能.

SAR船舶图像中目标的形状、位置和尺寸差异较大，YOLOv8原有的C2f模块在提取这些目标特征时存在不足，无法有效地提取多尺度上下文信息. 为了增强网络在SAR船舶图像数据集上的多尺度特征提取能力，设计全新的C2f-DD模块.

C2f-DD通过使用DWR_DRB（dilated weighted residual with dilated reparam block）模块替代Bottleneck模块，优化残差连接结构. 这一改变增强了C2f-DD在处理输入张量时的特性，提升了多尺度特征的提取与融合能力. C2f-DD模块的结构如图2所示.

DRB模块通过卷积核和不同膨胀率的卷积，增强大核卷积层的特征提取能力. 关键超参数包括卷积核的大小k、并行卷积层的大小和膨胀率d. 如图3所示为4个并行层的情况：d=(1,2,3,4)，k=(5,5,3,3). 对于更大的k，可以采用更大内核的卷积核层或更高膨胀率的扩展层，唯一限制是k−1 < d−1 < k. DRB的结构如图3所示.

大卷积核层通过结合批量归一化（batch normalization，BN）、调整膨胀率和零填充卷积核构建，膨胀层将模块转化为稀疏卷积核，增强特征提取. 并行的小卷积核捕捉小尺度模式，输出在BN层后相加，通过重参数化合并，推理时将大卷积核和小卷积核等效结合，提升特征质量.

DWR模块的工作原理分为2个阶段. 第1阶段通过3×3卷积、BN层和ReLU激活生成特征图；第2阶段通过不同膨胀率的深度卷积进行形态学过滤，增强特征的多样性. DWR模块采用固定膨胀率的卷积，无法应对复杂任务中的多样化特征，尤其在处理形状和尺度差异大的目标时，表达能力不足.

为了弥补这一不足，提出DWR_DRB模块，结合DBR模块和DWR模块的优势. DBR模块通过重参数化膨胀卷积来增强DWR模块的灵活性，能够并行使用不同膨胀率的卷积和小卷积核，动态调整感受野，捕捉更多尺度的特征. DWR_DRB模块在第1阶段通过3×3卷积和ReLU激活，生成简洁特征图；第2阶段通过DBR模块的多种膨胀率深度卷积进行形态学过滤，提升了特征的多样性和细节捕捉能力.

DWR_DRB模块的结构如图4所示. 其中，C为通道数. 在第1个分支中，输入特征通过3×3卷积、修正线性单元（rectified linear unit，ReLU）和BN层配对生成关联的残差特征. 3×3卷积用于初步特征提取.

第2个分支通过DRB模块，对船舶目标的区域特征进行形态学过滤. 在该过程中，每个通道特征仅使用1个预定的感受野，避免了多余的感受野覆盖问题，提高了特征提取的针对性. 特征图通过1×1的卷积层，进一步处理并融合特征，生成最终的输出特征图.

在SPPF模块后引入可变形注意力机制，组成SPA模块. 可变形注意力通过引入可变形注意力和动态采样点，聚焦于图像中的一小部分关键区域，提高模型的性能.

如图5所示为可变形注意力的信息流. 在特征图上均匀布置参考点，偏移量由查询通过偏移网络学习得到. 根据变形点投影出变形的键和值，计算相对位置偏差，增强多头注意力. 图5中的示例显示4个参考点，在实际实现中有更多的参考点.

输入特征图的尺寸为x∈R^H×W×C，其中H为高度，W为宽度. 将特征图线性投影到查询标记q上，表示为q=xW_q. 上路径的参考点使用缩放系数$r$进行下采样并排列成网格. 偏移量$ \Delta \boldsymbol{p} $从偏移网络获取，q作为输入添加到参考点，获得偏移位置信息$ \Delta \boldsymbol{p} $. 变形后的参考点通过双线性插值方法$ \sigma $进行采样，得到$ \tilde{\boldsymbol{x}} $、$ \tilde{\boldsymbol{k}} $、$ \tilde{\boldsymbol{v}} $：

(1)$ \tilde{{{\boldsymbol{x}}}}=\varnothing \left(\boldsymbol{x},{\boldsymbol{p}}+\Delta \boldsymbol{p}\right), $

(2)$ \tilde{\boldsymbol{k}}=\tilde{\boldsymbol{x}}{\boldsymbol{W}}_{\boldsymbol{k}} ,$

(3)$ \tilde{\boldsymbol{v}}=\tilde{\boldsymbol{x}}{\boldsymbol{W}}_{\boldsymbol{v}} . $

式中：W_q、W_v、W_k、W_o为投影矩阵，W_q、W_v、W_k、W_o∈R^C×C. 多头注意力可以通过添加相对位置编码来计算，如下所示.

(4)$ {\boldsymbol{z}}^{\left({m}\right)}=\sigma \left(\frac{{\boldsymbol{q}}^{\left({m}\right)}{\tilde{\boldsymbol{k}}}^{\left({m}\right)}}{\sqrt{d}}\right){\tilde{{\boldsymbol{v}}}}^{\left(m\right)}\text{;}\;m=1,\cdots ,M .$

(5)$ {\boldsymbol{z}}={\mathrm{Concat}}({{\boldsymbol{z}}}^{\left(1\right)},\cdots ,{{\boldsymbol{z}}}^{\left(M\right)}){\boldsymbol{W}}_{\boldsymbol{o}}. $

式中：$ d $为每个头的维度，σ为softmax函数，$ {\boldsymbol{z}}^{\left({m}\right)} $为第m个注意力头的嵌入输出. 最终输出是$ {\boldsymbol{z}}$多头输出$ {\boldsymbol{z}}^{\left({m}\right)} $的拼接.

在目标检测任务中，上采样用于调整特征图大小以匹配原始图像，从而有效地检测各种物体. 传统的双线性插值方法可能导致图像细节丢失，且基于卷积核的上采样计算量大，不利于轻量级网络. 针对SAR船舶检测图像背景噪声复杂、细节丢失的问题，引入轻量且有效的动态上采样器Dysample. Dysample通过基于点的采样方法和学习采样视角进行上采样，避免了动态卷积操作，减少了计算资源，提高了图像分辨率和模型性能.

Dysample的网络结构如图6、7所示. 其中，2g为偏移量调整后的采样网络. 采样集$S$由原始采样网格${\bf{F}}{\bf{N}}$和生成的采样网络g组成. 偏移是使用“线性+像素洗牌”方法生成的，偏移的范围可以由静态和动态因素决定. 具体来说，给定大小为C×H×W的特征图和上采样因子$s$，特征图通过输入和输出通道数分别为C和2s²的线性层. 使用像素洗牌方法，将其重塑为2×sH×sW，其中$2$表示x和y坐标. 生成大小为2×sH×sW的上采样特征图.

动态检测头（dynamic head，DyHead）通过引入注意力机制，整合尺度$ {\pi }_{{\mathrm{L}}} $、空间$ {\pi }_{{\mathrm{S}}} $和任务$ {\pi }_{{\mathrm{T}}} $感知的交互，提升目标检测性能. 具体来说，$ {\pi }_{{\mathrm{L}}} $促进不同特征层之间的尺度感知，$ {\pi }_{{\mathrm{S}}} $实现空间位置之间的空间感知，$ {\pi }_{{\mathrm{T}}} $在输出通道内促进任务感知. 这些机制结合在一起，形成DyHead动态检测头模块. DyHead存在计算量较大和参数冗余的问题，这在资源受限的场景中尤为明显，限制了其在实时性要求较高的任务中的应用.

为了解决以上问题，DyHead-Prune应运而生. DyHead-Prune对原始DyHead进行以下多方面优化. 采用轻量化动态卷积代替复杂模块. $ {\pi }_{{\mathrm{S}}} $模块仅结合必要的跨层特征，同时简化高分辨率特征的插值操作，减少计算开销. $ {\pi }_{{\mathrm{L}}} $和$ {\pi }_{{\mathrm{T}}} $裁剪冗余通道及全连接层，并通过任务感知模块中的全连接层权重共享，进一步压缩模型规模.

DyHead-Prune的结构如图8所示. $ {\pi }_{{\mathrm{L}}} $模块通过平均池化、1×1卷积和激活函数生成通道权重，调整每个通道的特征响应强度. $ {\pi }_{{\mathrm{S}}} $模块采用3×3卷积和激活函数生成偏移量，用于动态调整输入特征的空间分布. $ {\pi }_{{\mathrm{T}}} $模块通过全局平均池化和2层全连接网络提取全局特征并生成通道级权重，优化特征融合方向.

$ {\pi }_{{\mathrm{S}}} $、$ {\pi }_{{\mathrm{L}}} $和$ {\pi }_{{\mathrm{T}}} $的具体数学表达式为

(6)$ Z\left({\boldsymbol{F}}\right)={\pi }_{{\mathrm{T}}}\left({\pi }_{{\mathrm{S}}}\right({\pi }_{{\mathrm{L}}}\left(\boldsymbol{F}\right)\cdot \boldsymbol{F})\cdot \boldsymbol{F})\cdot \boldsymbol{F} . $

式中：特征张量$ \boldsymbol{F}\in {\bf{R}}^{L\times S\times T} $，$ {\pi }_{{\mathrm{S}}}(\cdot ) $、$ {\pi }_{{\mathrm{L}}}(\cdot ) $与$ {\pi }_{{\mathrm{T}}}(\cdot ) $分别为尺度增强感知块、空间增强感知块和任务增强感知块.

(7)$ {\pi }_{{\mathrm{L}}}\left({{\boldsymbol{F}}}\right)\cdot \boldsymbol{F}=\sigma \left({f}\left(\frac{1}{ST}\sum _{S,T}\boldsymbol{F}\right)\right)\cdot \boldsymbol{F}, $

(8)$ \sigma \left(u\right)=\underset{}{\mathrm{max}}\left\{0,\underset{}{\mathrm{min}}\left\{1,\frac{u+1}{2}\right\}\right\} ,$

(9)$ {\pi }_{{\mathrm{s}}}\left(\boldsymbol{F}\right)\cdot \boldsymbol{F}= \frac{1}{L}\sum _{l=1}^{L}\sum _{g=1}^{G}{w}_{l,{{g}}}\cdot \boldsymbol{F}\left(l;{p}_{g}+\Delta {p}_{g};t\right)\cdot \Delta {m}_{g}. $

式中：G为稀疏采样位置的个数，$ {p}_{g}+\Delta {p}_{g} $为通过自学习的空间偏移位置，$ \Delta {m}_{g} $为自学习位置$ {p}_{g} $的重要性度量.

(10)$ {\pi }_{{\mathrm{T}}}\left(\boldsymbol{F}\right)\cdot \boldsymbol{F}= \underset{}{\mathrm{max}}\left\{{\varepsilon }^{1}(\boldsymbol{F})\cdot {F}_{t}+{\beta }^{1}(\boldsymbol{F}),{\varepsilon }^{2}(\boldsymbol{F})\cdot {F}_{t}+{\beta }^{2}(\boldsymbol{F}) \right\}.$

式中：${F}_{t} $为第$ t $个切分通道的特征. $ {\varepsilon }^{1}、{\varepsilon }^{2}、{\beta }^{1}、{\beta }^{2} $为学习控制激活阈值的超参数.

这种逐层处理方式确保了不同尺度、空间和通道的特征得到充分的优化. 与未轻量化的DyHead相比，轻量化后的DyHead-Prune参数量减少，内存占用降低，显著提高了模型效率和适应性，保证了较高的检测精度.

在2种不同规模的SAR图像数据集上进行实验，验证了该方法的有效性和先进性.

SSDD（ship-SAR ship detection）数据集^[13]是SAR船舶探测领域第一个公开可用的数据集. 它包括来自Sentinel-1、TerraSAR-X和RadarSat-2的1 160张图像. 图像覆盖了多种不同的海洋环境和条件.

HRSID（high resolution ship detection）数据集^[14]是更复杂和高分辨率的集合. 它包括来自TerraSAR-X、TanDEM-X和Sentinel-1B 3个卫星平台拍摄的5 604张图像. 这些图像经过精细处理和过滤，提供了更详细和精确的目标信息.

为了公平地比较算法性能，实验使用COCO（Microsoft common objects in context）数据集的评估指标，主要指标是平均精度AP（average precision），由精确率p（precision）-召回率r（recall）曲线下的面积得出. 在IoU（intersection over union）≥0.5的条件下，计算平均精度，此时的AP称为mAP₅₀. 同样地，计算mAP₅₅、mAP₆₀、mAP₆₅、mAP₇₀、mAP₈₀、mAP₈₅、mAP₉₀和mAP₉₅，mAP_50-95表示这10个值的平均值，通常表示为AP，用于评估方法的整体性能. p和r的计算如下：

(11)$ p=\frac{{\mathrm{TP}}}{{\mathrm{TP}}+{\mathrm{FP}}}, $

(12)$ r=\frac{{\mathrm{TP}}}{{\mathrm{TP}}+{\mathrm{FN}}}. $

式中：TP为正确检测到的船舶目标数量，FN为漏检的船舶目标数量，FP为非船舶目标被错误检测为船舶目标的数量.

${\mathrm{AP}}$基于p和r计算，计算方法如下：

(13)$ {\mathrm{AP}}={\int }_{0}^{1}p\left(r\right){\mathrm{d}}r. $

参数量表示模型中权重和偏差的数量，参数越少，模型越轻，占用空间和计算资源也越少.

实验中使用每秒浮点运算次数(floating point operations per second, FLOPs）作为辅助的评估指标，测试模型的效率. 作为辅助指标，评估模型每次前向推理的计算量. FLOPs 越低，说明模型的计算复杂度越低，运行更快，对硬件资源的需求更小. 通过比较不同模型的 FLOPs，可以更好地权衡性能与计算成本，辅助在实际应用中选择更高效的模型.

实验设置包括一台Intel Core i5-12600KF Processor、16 GB RAM、NVIDIA GeForce RTX 4060Ti GPU(16 GB内存)的计算机，配备Ubuntu 18.04操作系统，网络结构基于Pytorch1.9.0构建，编程语言为Python3.8，使用CUDNN 8.0和CUDA 11.1加速训练. 将2个数据集随机分为训练集、验证集和测试集，比例为7∶2∶1. 该模型用300个轮次进行训练，模型的输入图像大小为640×640像素，批处理大小设置为8.

为了验证所设计的基础模块的有效性，开展消融实验. 由于HRSID数据集包含更多样本和更高的复杂度，有助于更全面地评估模块的性能，保证实验结果的可靠性和稳定性，选择在HRSID数据集上进行消融实验.

实验A~G在基线模型YOLOv8的基础上逐步引入C2f-DD、SPA、Dysample和检测头等模块，验证它们对模型性能的贡献. 实验A为基线模型，实验H为最终的DD-YOLO模型，包含所有优化模块，所有指标相对于基线模型均有提升.

表1中，N_p为参数量. 从表1可知，实验B在基线算法的基础上加入C2f-DD模块，模型在各项指标上均有所提升，p增加了0.6%，r提高了1.1%，mAP₅₀和mAP_50-95都增加了0.8%. 这些提升表明C2f-DD模块增强了多尺度上下文信息提取，特别是在不同尺度目标下，模型能够更好地融合特征，提升检测精度. 在实验C中引入SPA模块，p增加了0.6%，r提高了1.4%，mAP₅₀增加了0.5%，SPA模块通过空间注意力机制聚焦重要区域，显著提升了r. 在实验D中，用Dysample模块替换上采样模块，Dysample模块在保持高检测性能的同时减少了参数量. 在实验E中，替换了检测头模块. 该模块的替换使得p提升了0.5%，r提升了1.4%，mAP₅₀提高了1.2%，mAP_50-95提高了2.1%. 检测头优化后，模型能够对不同尺度的目标进行多重预测，增强了检测能力，特别是在mAP_50-95上表现显著. 在实验F中同时加入Dysample和检测头模块，p提高了0.6%，r提升了1.4%，mAP₅₀和mAP_50-95均有所提升. 这表明2个模块在联合使用时进一步增强了模型的检测能力. 在实验G中，进一步引入C2f-DD模块后，p提升了1.4%，r增加了1.5%，mAP₅₀和mAP_50-95分别提高了1.8%和2.7%. 结合这些模块，提升了模型的整体性能，特别是在高精度目标检测任务中表现更加出色. 实验H为本文算法，DD-YOLO模型在p上提升了1.5%，r增加了2.5%，mAP₅₀增加了2.0%，mAP_50-95提升了3.4%，与YOLOv8相比，整体性能有了显著的提升. 各模块的协同作用使得模型能够更好地处理多尺度目标，提高了对小目标的检测精度，有效地降低了计算开销.

提出具有新残差连接结构的C2f-DD. 为了验证该结构的特性，将DD-YOLO其他模块保持不变，主干部分的C2f从最后一个开始，逐次替换为C2f-DD，共做了4组实验，分别记为实验1、2、3、4，对应替换C2f的数量，实验结果如表2所示. 综合考虑模型复杂度和检测精度，只在整体模型中替换主干部分的最后一个C2f模块，在降低计算开销和模型复杂性的同时，显著提升了检测能力.

图9中的可视化对比结果验证了DD-YOLO模型的性能优势. 与YOLOv8模型相比，DD-YOLO在小目标船舶检测方面表现更优：YOLOv8会出现明显的漏检和误检情况，DD-YOLO的误检率和漏检率都更低.

图10的热力图分析进一步验证了DD-YOLO在复杂背景噪声下检测密集多尺度目标的优势. 实验结果表明，该模型能够有效识别和区分密集目标，这主要得益于C2f-DD模块和SPA模块的多尺度特征提取与融合能力，显著提升了复杂环境下的检测性能. 此外，Dysample模块在计算效率上的优化以及DyHead-Prune模块对复杂场景适应性的增强，共同提高了模型的检测精度和召回率. 这种模块组合不仅优化了检测性能，而且保持了较低的参数量和计算复杂度.

为了验证本文算法的优越性，开展如下训练和测试，将其与其他目标检测算法进行比较. 评价指标主要选取p、r、mAP₅₀、参数量及FLOPs，衡量各个测试算法模型的检测精度与速度.

如表3所示，在SSDD数据集上的实验结果表明，尽管模型r低于Key-PointEstimation+Channnel Attion、TWC-Net及ADERLNet-CW，但是DD-YOLO的p和mAP₅₀都优于其他模型. 模型的参数量和FLOPs分别为13.94×10⁶和9.8×10⁹，低于其他模型，能够大大地降低计算开销和模型复杂性.

如图11所示，对Key-Point Estimation+Channel Attention、TWC-Net、ADELMNet-CW和DD-YOLO 4种方法进行可视化对比. 如图11(a)所示为复杂场景下密集大型船舶的检测结果，如图11(b)所示为复杂场景中的中小型船舶检测结果. 对比可知，Key-Point Estimation+Channel Attention在复杂背景下存在明显的漏检和误检问题，表现不稳定；TWC-Net未能解决复杂背景下的误检和漏检的难题；ADELMNet-CW的平均检测精度低于DD-YOLO. 相比之下，DD-YOLO的平均检测精度表现最优，尤其在复杂背景和多尺度目标共存的场景中，能够保持高效、稳定的检测性能.

如表4所示，在HRSID数据集上的实验结果表明，DD-YOLO模型的p略低于PPA-Net及Context-aware network，r低于Center Net、PPA-Net及Context-aware network，但是DD-YOLO的mAP₅₀都优于其他经典模型. 模型的参数量和FLOPs分别为13.94×10⁶和9.8×10⁹，远远低于其他经典模型. 总之，DD-YOLO模型实现了显著的检测准确性，在多个数据集上的检测结果验证了该方法的精细泛化能力.

如图12所示为HRSID数据集的可视化对比. 如图12(a)所示为复杂场景下密集船舶的检测结果，如图12(b)所示为复杂场景中的中小型船舶检测结果. 通过对CenterNet、PPA-Net、Context-aware network和DD-YOLO的可视化对比可以看出，CenterNet能够检测大多数船舶目标，但存在一定的误检；PPA-Net在检测密集船舶时会出现漏检的问题；Context-aware network虽然不存在误检和漏检的问题，但平均检测精度明显低于DD-YOLO. 相比之下，DD-YOLO表现最优，平均检测精度最高，尤其在复杂背景和多尺度目标场景中能够保持高效、稳定的检测能力. 这体现了DD-YOLO的综合优势，使其成为高效、可靠的目标检测方案，在复杂背景和多尺度目标共存的环境中具有显著优势.

针对SAR图像船舶检测任务中存在的船舰目标体积小、目标尺寸变化大及背景噪声复杂等挑战，C2f-DD模块通过结合DWR和DRB模块，增强了多尺度特征提取与融合的能力，从而改善对多目标的检测效果. SPA模块通过动态偏移和多头注意机制，提升了模型在复杂背景下对关键区域的关注，增强了检测精度. Dysample模块在优化上采样过程的同时，有效平衡了计算资源的消耗和对中小型目标的检测性能. DyHead-Prune模块通过轻量化和多维度注意力机制，提升了检测准确性，保证了模型的高效运行. 在极端环境下，当面对噪声和伪目标时，模型的鲁棒性有待进一步的加强. 未来研究将重点优化实时性能，探索多模态融合框架并开发自适应特征增强网络，以进一步提高模型在复杂环境中的适应性和实用性.