一个动态的多尺度特征融合网络,用于增强SAR船只检测
1Navigation and Ship Engineering College, Dalian Ocean University, Dalian 116023, China.
Sensors (Basel, Switzerland)
|August 28, 2025
概括
这项研究介绍了DRGD-YOLO,这是一种改进的算法,可以在复杂的海洋环境中改进合成光圈雷达 (SAR) 的船只检测. 这种新方法显著提高了检测的准确性和稳定性,为海上监视和安全提供了潜力.
科学领域:
- 计算机视觉
- 遥感技术
- 人工智能
背景情况:
- 目前的合成光圈雷达 (SAR) 船舶检测方法与复杂的海洋环境作斗争,面临环境干扰,错误检测和多尺度目标变化等挑战.
- 现有的算法往往缺乏在各种海上条件下准确可靠地识别船舶所需的稳定性.
研究的目的:
- 开发一种名为DRGD-YOLO的增强型YOLO算法,使用合成光圈雷达 (SAR) 数据实现更高的船舶检测性能.
- 通过整合多级特征融合和动态检测机制来解决当前SAR船只检测技术的局限性.
主要方法:
- 设计了一个跨阶段的部分动态通道变压器模块 (CSP_DTB),通过结合变压器和卷积神经网络架构来增强特征提取.
- 引入了通用动态特征金字塔网络 (RepGFPN),以在模型的架中实现高效的多尺度特征融合和信息传播.
- 开发了一种轻量级的动态脱双对齐头 (DYDDH),以提高本地化和分类任务的协作性能.
主要成果:
- 在HRSID数据集中,DRGD- YOLO算法实现了93. 1%的mAP50和69. 2%的mAP50-95.
- 与基线YOLOv11n相比,表现显著改善,mAP50增加3. 3%,mAP50-95增加4. 6%.
- 这种增强的算法在合成光圈雷达 (SAR) 探测船只中显示出更高的准确性和稳定性.
结论:
- 拟议的DRGD-YOLO算法在SAR船只检测准确性和稳定性方面取得了重大进展.
- 该方法在海上监测,渔业管理和海上安全监测方面具有广泛的应用潜力.
- 这项研究为智能海洋监测技术的发展提供了关键的技术支持.
