轻量级SAR舰船检测：基于对比蒸馏的结构化知识框架
本文提出SURGE框架，通过对比InfoNCE损失在共享嵌入空间中迁移教师检测器的关系几何知识，实现轻量级SAR舰船检测。该架构无关的方法在SSDD和HRSID基准上使两级检测器提升6.2 mAP和8.0 AP75，甚至超越教师性能。
近日，一篇题为《Lightweight SAR Ship Detection via Contrastive Distillation》的论文被GLSVLSI'26特殊会议接收。该研究针对合成孔径雷达（SAR）舰船检测中深度模型计算量大、难以实时部署的问题，提出了一种名为SURGE（Structured Unified Relational knowledGE distillation）的知识蒸馏框架。
SAR舰船检测在军事监视、海洋交通监控等领域具有重要应用。当前，基于深度卷积神经网络和Transformer的检测器虽然性能出色，但计算成本高昂，不适合实时或星载部署。轻量级模型虽效率高，却难以捕捉SAR后向散射中的复杂结构关系。传统的知识蒸馏方法多侧重于特征或logit匹配，忽略了对象表示之间的几何关系，限制了知识迁移的效果。
SURGE框架通过对比InfoNCE损失，在共享投影嵌入空间中将教师检测器的关系几何知识迁移至紧凑的学生检测器。据作者称，这是首个将知识蒸馏应用于Transformer SAR舰船检测器的工作。该框架架构无关，可为两级、单级和Transformer检测器提供统一的区域级蒸馏接口，无需修改原有部署架构，具有良好的通用性和实用性。
实验在SSDD和HRSID两个基准数据集上进行。结果显示，对于两级检测器，SURGE带来高达6.2 mAP和8.0 AP75的提升，甚至超越了教师模型的性能。这一成果表明，关系蒸馏在轻量化SAR检测中具有巨大潜力，为实际部署提供了有效途径。论文由Surendar Devasundaram等人撰写，全文可在arXiv获取，并在GLSVLSI'26特殊会议“Efficiency In Computer Vision: From Image Generation to Decision”中展示。