简介:LPDNet:基于多层次拉普拉西亚文解读的SAR船舶检测的轻量级网络

科学领域:

• 遥感 遥感 遥感 遥感
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 海上情势意识在很大程度上依赖于使用合成孔径雷达 (SAR) 准确检测船只.
• 深度学习模型为SAR船只检测提供了显著的优势,但往往难以平衡计算效率与高精度.
• 现有的方法缺乏统一的方法来解决SAR图像中的噪音和特征表示挑战.

研究的目的:

• 为SAR船只检测提出一个端到端,轻量级的算法.
• 提高SAR船舶检测模型的准确性和效率.
• 开发一种有效平衡模型大小和检测性能的方法.

主要方法:

• 引入了一个多层次的拉普拉斯金字塔拒绝网络 (LPDNet),用于使用卷积神经网络 (CNN) 的自适应性,监督的拒绝.
• 实现了通道建模,以整合空间和频率域信息,以增强特征表示.
• 将卷积块注意模块 (CBAM) 集成到Yolox-tiny框架中,以改进功能融合和突出显示.

主要成果:

• 拟议的LPDNet在SSDD数据集上以24.68 FPS达到97.14%的平均精度 (AP).
• 在AIR SARShip-1.0数据集中,LPDNet在23.42 FPS.上获得了92.19%的AP.
• 该模型表现出异常轻量级,只有510万个参数.

结论:

• 对于SAR船只检测,LPDNet提供了一个高度准确和高效的解决方案.
• 该算法有效地解决了模型大小和性能之间的权衡问题.
• 拟议的方法代表了海上监视的轻量级深度学习的重大进步.