Detección de buques SAR guiada por el contexto con entrenamiento previo del modelo basado en el prototipo y fusión de...

Área de la Ciencia:

• Detección remota
• Inteligencia artificial
• Visión por computadora

Sus antecedentes:

• La detección de buques a múltiples escalas en imágenes de radar de apertura sintética (SAR) presenta desafíos significativos debido a las variaciones en el tamaño del objetivo y el desorden ambiental.
• Los métodos existentes a menudo luchan con las falsas alarmas y la detección de buques en diversas escalas, desde entornos costeros hasta mar adentro.

Objetivo del estudio:

• Desarrollar un nuevo método de detección automática de buques basado en el aprendizaje profundo para objetivos de escala múltiple en imágenes SAR.
• Mejorar el rendimiento de la detección mediante la integración de conocimientos contextuales, capacitación previa avanzada y estrategias de aprendizaje conjunto.

Principales métodos:

• Un marco de aprendizaje compositivo que incorpora una propuesta de región guiada por el contexto, un modelo de formación previa basado en prototipos y un aprendizaje en conjunto de varios modelos.
• Aprovechar el conocimiento previo de la disposición del puerto para la delimitación del terreno utilizando máscaras de tierra para reducir las falsas alarmas.
• Una estrategia de formación previa basada en el modelo de conjuntos de datos cruzados que utiliza prototipos de objetivos clave para el aprendizaje incremental de clase.
• Un marco de fusión adaptativo a nivel de decisión con umbrales de confianza dinámicos, un mecanismo de fusión ponderado por control de equilibrio y una caja de fusión de objetivos de grupo denso basada en Soft-NMS (Soft-NMS-DGT-BBF).

Principales resultados:

• Validación de mejoras de rendimiento derivadas de la delimitación del terreno con ayuda de conocimientos contextuales.
• Demostrar una mejor adaptabilidad del modelo mediante la formación previa basada en prototipos de conjuntos de datos cruzados.
• Cuantificación de los beneficios del marco de decisión adaptativo basado en el equilibrio de control de la fusión.
• La validación experimental del conjunto de datos FAIR-CSAR-Ship confirmó la eficacia de los pilares propuestos.

Conclusiones:

• El método de aprendizaje profundo propuesto aborda eficazmente los desafíos de detección de buques a escala múltiple en las imágenes SAR.
• La integración de información contextual, capacitación previa especializada y aprendizaje conjunto mejora significativamente la precisión de la detección y reduce las falsas alarmas.
• El método ofrece una solución robusta para la detección automática de buques en escenarios complejos de teledetección.