PGNet：复杂海事环境中船舶检测的渐进式特征对齐与高斯几何一致性分配

《Annals of the New York Academy of Sciences》：PGNet: Progressive Feature Alignment and Gaussian Geometric-Consistency Assignment for Ship Detection in Complex Maritime Environments

　　

摘要

深度学习推动了遥感目标检测的发展，其中船舶检测因其在海上交通、国防和海洋资源管理中的重要性而备受关注。然而，真实场景通常涉及云雾遮挡、海面杂波和光照不均匀等问题，这些因素会降低特征表示的质量。此外，现有的样本分配策略未能考虑到细长船舶的高角度敏感性，导致许多潜在的高质量候选框在轻微旋转偏差下被分配为负样本。为解决这些问题，我们提出了PGNet，一种联合优化特征表示和样本分配的鲁棒船舶检测框架。具体而言，我们设计了一种渐进式对齐预融合特征金字塔网络，通过自适应多尺度空间对齐和渐进式特征交互来缓解空间不对齐和语义不一致的问题。同时，我们引入了一种高斯几何一致性分配策略，通过联合建模重叠度和中心对齐来缓解细长船舶的高角度敏感性。在HRSC2016、SCCOS和FGSRCS数据集上的实验表明，PGNet持续优于现有方法，在FGSRCS上达到了88.8%（+1.7%）的平均精度均值（mAP），在SCCOS上达到了87.52%的mAP和91.84%的召回率（+0.5%和+1.43%），在HRSC2016上达到了70.39%的mAP 50:95（+1.22%），表明其在复杂海洋环境下的鲁棒性和泛化能力。

图文摘要

PGNet是一种适用于复杂海洋环境的鲁棒旋转船舶检测器。其渐进式对齐预融合特征金字塔网络模块通过多尺度特征的对齐和渐进式融合来减少空间和语义不一致，而高斯几何一致性分配则通过结合旋转重叠和高斯中心一致性来改进第二阶段候选框分配。在FGSRCS、SCCOS和HRSC2016上的实验表明，在云雾、海面杂波和光照变化条件下，检测精度、召回率和泛化能力均有所提升。

利益冲突声明

作者声明不存在利益冲突。

数据可用性声明

本研究中使用的数据集均为公开数据集，访问详情见手稿中引用的参考文献。实验所用源代码可应合理要求从通讯作者处获取。

同行评审

为保持透明性，与本文相关的同行评审文件可在 https://doi.org/10.1111/nyas.70428 获取

- 评审第四轮
- 编辑决定函 2026/09/17
- 编辑1建议 2026/09/17
- 评审第三轮
- 编辑决定函 2026/09/04
- 编辑1建议 2026/09/04
- 审稿人1报告 2026/09/02
- 评审第二轮
- 编辑决定函 2026/06/10
- 审稿人2报告 2026/06/10
- 审稿人1报告 2026/05/26
- 评审第一轮
- 编辑决定函 2026/04/01
- 编辑1建议 2026/04/01