民主民主共和国2-Net:一个环境意识和几何适应性网络,用于轻量级SAR船只检测
Abdelrahman Yehia1, Naser El-Sheimy2, Ashraf Helmy3
1Department of Electrical and Computer Engineering, Military Technical College, Cairo 11766, Egypt.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
可变形反复危机交叉注意网络 (DRC2-Net) 通过增强上下文意识和适应性捕捉尺度变化来改善合成孔径雷达 (SAR) 船舶检测. 这种轻量级模型在复杂的环境中提供了强大的多尺度检测.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 合成孔径雷达 (SAR) 船舶检测面临背景杂乱,目标稀疏性和封闭船只的挑战,特别是在小规模上.
- 现有的方法在适应性特征提取方面扎,因为复杂的SAR图像中的几何变形和尺度变化各不相同.
研究的目的:
- 开发一个轻量级和高效的SAR船舶检测框架,以应对复杂环境中的挑战.
- 增强上下文意识,改善适应性特征提取,用于多尺度船舶检测.
主要方法:
- 提出了可变形反复危机交叉注意网络 (DRC2-Net),这是一个基于YOLOX-Tiny的框架.
- 集成的反复危机交叉注意力 (RCCA) 用于上下文意识和可变形卷积网络v2 (DCNv2) 用于自适应性特征提取.
- 在SSDD和iVision-MRSSD数据集上训练和评估模型,包括各种SAR图像.
主要成果:
- 在SSDD数据集上,DRC2-Net在YOLOX-Tiny基线上取得了优异的性能,AP@50,APs,APm和APl的显著改进.
- 在具有挑战性的iVision-MRSSD数据集上展示了增强的规模感知检测能力,在各种目标尺度上表现优于最先进的检测器.
- 紧的模型 (5.05M参数) 确保了强大的概括性和实时适用性.
结论:
- DRC2-Net有效地解决了当前SAR船只检测方法的局限性,特别是对于小型,碎片化或封闭的目标.
- 拟议的架构为复杂SAR环境中的多尺度船舶检测提供了强大而高效的解决方案.
- 该模型的自适应特征提取和增强的情境意识有助于其卓越的性能和概括能力.
