.png){kind=icon}
返回
An efficient training method for SAR object detection based on adaptive sample quality
.png){kind=icon}
PRE
AI
DOI：10.1080/01431161.2025.2597675.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在时效性要求高的应用（如卫星侦察和灾害响应）中，合成孔径雷达图像中目标的快速准确检测至关重要。这要求目标检测模型既要高效训练，又要快速部署。然而，合成孔径雷达图像中普遍存在的斑点噪声、不稳定的图像质量以及目标与背景之间的复杂关系，往往导致常规训练方法收敛缓慢且性能受限。为解决这些挑战，本文提出了一种基于自适应样本质量的合成孔径雷达目标检测高效训练方法，旨在有限训练时间内提升检测模型的学习效率与最终性能。实验结果表明，在HRSID数据集上，所提方法相比Random、CLF-RSD和CLML策略，将mAP@50分别提升了0.162、0.117和0.109；在SAR-Aircraft数据集上的提升分别为0.189、0.161和0.124。
Keyword:
Sample quality assessment
object detection
SAR imagery
curriculum learning
期刊
IF:
2.6
论文数:
1.2W
被引数:
2.7W
机构
引用论文
Class-Aware Domain Adaptation for Semantic Segmentation of Remote Sensing Images基于类感知域自适应的遥感图像语义分割
PREAI
分享收藏HybridMatch: Semi-Supervised Facial Landmark Detection via Hybrid Heatmap RepresentationsHybridMatch: 通过混合热图表示的半监督面部标志检测.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
An Adaptive Sample Assignment Strategy Based on Feature Enhancement for Ship Detection in SAR ImagesOAAI
OAAI分享收藏分享收藏Yang, L.; Zhao, H.; Li, H.; Qiao, L.; Yang, Z.; Li, X. GCSTG: Generating Class-Confusion-Aware Samples With a Tree-Structure Graph for Few-Shot Object Detection. IEEE Trans. Image Process. 2025, 34, 772–784. [Google Scholar] [CrossRef]杨, L.; 赵H.; 李H.; 乔L.; 杨Z.; 李X. GCSTG: 基于树结构图生成类混淆感知样本用于小样本目标检测. IEEE Trans. Image Process. 2025, 34, 772–784. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏A Deep Curriculum Learning Semi-Supervised Framework for Remote Sensing Scene Classification一种基于深度课程学习的遥感场景分类半监督框架OAAI
OAAI分享收藏
查看更多内容