具有背景意识的SAR图像船舶检测和识别网络
Chao Li1, Chenke Yue2,3, Hanfu Li1
1School of Astronautics, Harbin Institute of Technology, Harbin, Heilongjiang, China.
Frontiers in neurorobotics
|February 1, 2024
概括
这项研究引入了一种新的深度学习网络,用于合成孔径雷达 (SAR) 船舶检测. 该方法有效地处理噪音和不同的船舶尺度,改善复杂环境中的检测准确性.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 深度学习推进了SAR船只检测,但噪音和规模变化带来了挑战.
- 复杂的背景,如港口和城市地区复杂的特征提取.
- 小目标容易丢失信息,阻碍检测.
研究的目的:
- 开发一个上下文意识的单阶段网络,以进行强大的SAR船只检测.
- 为了提高对尺度变化的灵敏度和对噪声干扰的抵抗力.
- 在具有挑战性的SAR成像条件下提高检测精度.
主要方法:
- 提出了一个上下文意识的单阶段船舶检测网络.
- 引入了局部特征精细化模块 (LFRM) 用于多层次的局部信息提取.
- 设计了一个全球上下文聚合模块 (GCAM),用于增强功能表示和噪音抑制.
主要成果:
- 在三个公共SAR船舶检测数据集上取得了竞争性表现.
- 证明了高的AP50分数:96.3% (SAR-Ship-Dataset),93.3% (HRSID) 和96.2% (SSDD) 的数据.
- 拟议的网络在处理噪音和尺度变化方面取得了重大改进.
结论:
- 开发的网络有效地解决了SAR船只检测的关键挑战.
- LFRM和GCAM模块有助于改善特征提取和噪声弹性.
- 该方法为准确可靠的SAR船舶检测提供了一个有希望的解决方案.
