.png){kind=icon}
返回
ARANet: A Unified Representation Alignment Framework for SAR Ship Instance Segmentation
.png){kind=icon}
OA
AI
DOI：10.1109/jstars.2026.3720719.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习已成为合成孔径雷达（SAR）图像中船舶实例分割的主导范式。然而，在复杂海洋环境中的可靠分割仍受限于三种表示错位：语义与结构线索的不一致性、全局-局部上下文建模的不平衡性以及对跨数据集尺度变化的适应性有限。为应对这些挑战，我们提出了自适应表示对齐网络（ARANet），这是一种统一的表示对齐框架，通过三种互补的对齐机制系统地调和这些错位。具体而言，ARANet通过边缘引导的边界精修机制增强语义-结构一致性，通过上下文感知建模机制平衡全局与局部上下文表示，并利用深度自适应特征对齐机制提升尺度适应性。这些机制分别具体化为边缘引导边界精修模块、上下文感知模块和深度自适应特征金字塔网络，并整合到一个统一的端到端架构中。在HRSID和PSeg-SAR船舶检测数据集上的广泛实验表明，ARANet相较于基于卷积神经网络、基于Transformer和SAR特定的实例分割方法，取得了领先或具有竞争力的性能。
Keyword:
Boundary refinement
depth-adaptive feature pyramid
ship instance segmentation
synthetic aperture radar (SAR)
期刊
IF:
5.3
论文数:
1.7K
被引数:
3.0W
机构
引用论文
暂无论文信息