近日，一篇題為《Lightweight SAR Ship Detection via Contrastive Distillation》的論文被GLSVLSI'26特殊會議接收。該研究針對合成孔徑雷達（SAR）艦船檢測中深度模型計算量大、難以實時部署的問題，提出了一種名為SURGE（Structured Unified Relational knowledGE distillation）的知識蒸餾框架。
SAR艦船檢測在軍事監視、海洋交通監控等領域具有重要應用。當前，基於深度卷積神經網絡和Transformer的檢測器雖然性能出色，但計算成本高昂，不適合實時或星載部署。輕量級模型雖效率高，卻難以捕捉SAR後向散射中的複雜結構關係。傳統的知識蒸餾方法多側重於特徵或logit匹配，忽略了對象表示之間的幾何關係，限制了知識遷移的效果。
SURGE框架通過對比InfoNCE損失，在共享投影嵌入空間中將教師檢測器的關係幾何知識遷移至緊湊的學生檢測器。據作者稱，這是首個將知識蒸餾應用於Transformer SAR艦船檢測器的工作。該框架架構無關，可為兩級、單級和Transformer檢測器提供統一的區域級蒸餾接口，無需修改原有部署架構，具有良好的通用性和實用性。
實驗在SSDD和HRSID兩個基準數據集上進行。結果顯示，對於兩級檢測器，SURGE帶來高達6.2 mAP和8.0 AP75的提升，甚至超越了教師模型的性能。這一成果表明，關係蒸餾在輕量化SAR檢測中具有巨大潛力，為實際部署提供了有效途徑。論文由Surendar Devasundaram等人撰寫，全文可在arXiv獲取，並在GLSVLSI'26特殊會議“Efficiency In Computer Vision: From Image Generation to Decision”中展示。