MSCF-Net: A Lightweight Multiscale SAR Image Oriented Ship Detection Algorithm in Complex Scenes

Zihua Chen

doi:10.1109/JSTARS.2025.3630995

MSCF-Net: A Lightweight Multiscale SAR Image Oriented Ship Detection Algorithm in Complex Scenes

2025-01-01

0

OA

AI

DOI：10.1109/JSTARS.2025.3630995

原文链接

查看原文

摘要

En 中文

为解决合成孔径雷达（SAR）船舶检测中的挑战，包括复杂目标背景、多尺度船舶和多样化朝向等问题，同时满足卫星应用中的轻量化需求，我们提出了一种轻量级多尺度特征融合网络—MSCF-Net。首先，我们设计了一种轻量级扩张式残差C2f（DRC2F）模块，通过两阶段残差机制和多尺度深度可分离扩张卷积增强网络的多尺度特征提取能力。其次，为克服传统特征融合方法在SAR船舶检测中的局限性，我们提出了多尺度通道特征融合金字塔网络MSCF-FPN，其通过多模态池化和动态特征校准机制有效抑制背景噪声干扰，同时突出前景目标特征。最后，为进一步提高在低目标-背景可分性和多样化目标朝向的SAR图像上的检测精度，我们提出了一种结合感受野注意力的多分支解耦检测头，以提升检测头感知空间及朝向信息的能力。实验结果表明，MSCF-Net在SRSDD-v1.0和高分辨率SAR图像数据集（HRSID）上分别达到79.1%（+4.9%）和92.1%（+2%）的检测准确率，平均精度均值分别为71.7%（+5.8%）和93.3%（+0.2%）。此外，模型参数量从10.89M减少至4.66M，降幅约57.2%，在检测性能与模型效率之间实现了有效平衡。同时，MSCF-Net在大型场景SAR图像上表现出良好的泛化能力，使其非常适合复杂真实场景的应用。

Keyword:

Arbitrary-oriented detection

deep learning

feature fusion

light-weight network

synthetic aperture radar (SAR) object detection

MSCF-Net: A Lightweight Multiscale SAR Image Oriented Ship Detection Algorithm in Complex Scenes

摘要

AI总结

期刊

机构

引用论文