.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
深度学习的快速发展显著提升了合成孔径雷达（SAR）船舶检测技术的发展。然而，船舶尺寸的多样性、任意朝向、密集排列等问题一直阻碍着SAR船舶检测精度的提升。为应对这些挑战，本研究提出了一种名为跨层级自适应特征聚合网络（CLAFANet）的新检测方法，以实现任意朝向的多尺度SAR船舶检测。具体而言，我们首先基于残差架构构建一个层级化骨干网络，从大尺度SAR图像中提取船舶对象的多尺度特征。考虑到船舶对象的多尺度特性，我们随后采用自注意力思想开发了一种跨层级自适应特征聚合（CLAFA）机制，该机制不仅能缓解跨层级特征间的语义差异，还能提升多尺度船舶的特征表达能力。为更好地适应实际应用场景中船舶对象的任意朝向，我们提出了一个频选相位偏移编码器（FSPSC）模块，用于任意朝向的SAR船舶检测任务，该模块致力于将物体边界框的旋转角度映射到不同相位，并利用频选相位偏移解决旋转边界框的周期性模糊问题。在两个公开数据集上进行的定性和定量实验表明，所提出的CLAFANet在任意朝向的SAR船舶检测方面与部分当前先进方法相比取得了具有竞争力的性能。
Keyword:
synthetic aperture radar
ship detection
deep learning
期刊
IF:
4.1
论文数:
7.5K
被引数:
15.1W
机构
引用论文
FPDDet: An Efficient Rotated SAR Ship Detector Based on Simple Polar Encoding and DecodingFPDDet: 一种基于简单极坐标编解码的高效旋转SAR舰船探测器.png)
.png){kind=icon}
PREAI
.png){kind=icon}
分享.png){kind=icon}
收藏An Adaptive Sample Assignment Strategy Based on Feature Enhancement for Ship Detection in SAR Images
OAAI
OAAI分享收藏
分享收藏
查看更多内容