基于锚框自适应和多尺度增强的SAR舰船检测

针对目前基于深度学习的合成孔径雷达(synthetic aperture radar, SAR)舰船检测锚框尺度固定、多尺度检测性能较差的问题,提出了一种基于锚框自适应和多尺度增强网络(adaptive anchor multi-scale enhancement network, AA-MSE-Net)的SAR舰船检测方法。首先,AA-MSE-Net引入了锚框自适应机制,来生成适应目标形态的高质量锚框,增强了舰船形态描述能力。其次,AA-MSE-Net提出了多尺度增强金字塔网络,来融合增强多尺度特征,增强了多尺度描述能力。最后,AA-MSE-Net在骨干网络中引入了可变形卷积,来提取舰船形变特征,进一步提高检测精度。实验证明,AA-MSE-Net在公开SAR舰船检测数据集上的平均精度高于8种对比方法。

基于掩模注意型交互的SAR舰船实例分割

现有合成孔径雷达(synthetic aperture radar,SAR)舰船实例分割方法未实现掩模交互或交互性能有限,导致检测精度较低。针对上述问题,提出了一种基于掩模注意型交互(mask attention interaction,MAI)的SAR舰船实例分割方法MAI-Net。首先,MAI-Net使用了膨胀空间金字塔池化,来获取多分辨率特征响应,增强了对背景的鉴别能力。其次,MAI-Net使用了非局部注意力模块来抑制低价值信息,实现了空间特征自注意。最后,MAI-Net提出了拼接混洗注意力模块来平衡不同特征图的贡献,进一步提高了实例分割精度。在公开的像素级多边形分割SAR舰船检测数据集(polygon segmentation SAR ship detection dataset,PSeg-SSDD)上的实验结果表明,MAI-Net的SAR舰船实例分割精度高于现有其他11种对比模型,实例分割精度达到61.1%,高于次优模型1.5%。

基于自适应锚框分配与IOU监督的复杂场景SAR舰船检测

针对复杂场景舰船检测中正负样本分配不合理以及定位质量较差的问题,该文提出了一种基于自适应锚框分配与交并比(IOU)监督的复杂场景合成孔径雷达(SAR)舰船检测方法(A3-IOUS-Net)。首先,A3-IOUS-Net提出了自适应锚框分配,建立概率分布模型来自适应地将锚框分配为正负样本,增强了复杂场景下的舰船样本学习能力。然后,A3-IOUS-Net提出了IOU监督,在预测头部增加IOU预测分支来监督检测框定位质量,使得网络能够精确定位复杂场景下的舰船目标。此外,在该IOU预测分支中引入了坐标注意力模块,抑制了背景杂波干扰,进一步提高了检测精度。在公开的SAR舰船检测数据集(SSDD)的实验结果表明,A3-IOUS-Net在复杂场景中的平均精度(AP)值为82.04%,优于其他15种对比模型。

全等级上下文压缩激励的SAR舰船实例分割

现有深度学习SAR舰船实例分割方法未考虑特征全等级信息和目标上下文信息,导致了较低实例分割精度。针对上述问题,提出了一种基于全等级上下文压缩激励感兴趣区域ROI提取器的SAR舰船实例分割方法FL-CI-SE-ROIE。FL-CI-SE-ROIE实现了全等级ROI提取,可保留全等级信息,增强了网络多尺度描述能力。FL-CI-SE-ROIE实现了上下文ROI扩充,可获取目标上下文信息,增强了网络背景鉴别能力。FL-CI-SE-ROIE引入了压缩激励SE模块来平衡不同范围的上下文ROI,可抑制背景干扰,进一步提高了实例分割精度。在公开像素级多边形分割SAR舰船检测数据集PSeg-SSDD上的实验结果表明,所提方法的SAR舰船实例分割精度高于现有其他9种对比模型。

基于显著性CNN的SAR图像靠岸舰船检测方法

为提高卷积神经网络(CNN)对SAR图像靠岸舰船的检测精度,提出一种基于显著性CNN方法.该方法使用视觉显著性机制对SAR图像进行预处理,将得到的场景注意力加权(即显著图)融合到原始SAR图像中,最终将带有场景注意力加权的SAR图像输入到CNN网络.在公开的SAR舰船检测数据集上的实验表明,与经典双阶段检测器FasterR-CNN方法相比,显著性CNN方法可抑制岸边背景干扰,有效提高SAR靠岸舰船的检测精度.