从“腰部”学习：基于宽高比的定向船舶检测中的正向采样方法

《Expert Systems with Applications》：Learning from the Waist: Aspect-Ratio-Aware Positive Sampling for Oriented Ship Detection

船舶检测在遥感图像中面临方向随机、长宽比大和尺度变化挑战，本文提出一阶段AROD方法：1）TNC通过三角函数归一化解决角度边界不连续问题；2）RDDA基于长宽比动态调整正样本选择，增强腰部特征利用率；3）AGFFM融合通道与空间注意力机制实现多尺度特征优化。实验表明在HRSC2016、HRSID和SSDD+数据集上，该方法显著提升极端长宽比和尺度变化场景下的检测精度，较SOTA方法平均mAP提升8.7%。

　　

马丹丹|黄浩|姜志宇

西北工业大学人工智能、光学与电子学院（iOPEN），中国西安，710072

摘要

在地球观测图像中检测船舶已成为海洋资源监测和环境管理应用的关键研究焦点。然而，船舶的随机方向、较大的长宽比以及显著的大小变化给精确定位和分类带来了巨大挑战。为应对这些挑战，我们提出了一种考虑长宽比的一阶段定向船舶检测方法，并结合了动态标签分配机制。我们的方法包含三种创新策略：（1）三角函数标准化编码器（TNC），利用三角函数进行标准化处理，创建了一个简洁的角度编码器-解码器，有效解决了角度边界的不连续性问题；（2）基于长宽比的动态样本分配（RDDA），该方法通过利用船舶的长宽比来自适应地调整正样本选择，特别是关注了传统方法忽略的船舶腰部的高质量特征，并通过二维高斯分布进一步评估样本质量；（3）注意力引导的特征融合模块（AGFFM），通过在特征金字塔的不同层级应用空间和通道注意力机制，增强了多尺度特征表示能力，同时有效融合了相邻层次的特征。在三个公共数据集（HRSC2016、HRSID和SSDD+）上的广泛实验表明，与现有的单阶段检测器相比，我们的方法在定位和分类性能上取得了显著提升，尤其是在处理具有极端长宽比和不同规模的船舶时。

引言

利用地球观测数据进行船舶检测已成为地理空间监测和自然资源管理中的重要任务，近年来吸引了大量研究关注（Gao, Wang, Chen, Yang, Yao, Zhang, Li, Li, Li, 2024; Ma, Yang, Zhu, Wang, Yi, Wu, Hou, Jiao, 2024; Zhao, Wang, Li, Gao, Chen, Feng, Zhao, 2024）。这种兴趣的增长源于其在环境保护和海洋治理中的关键应用，包括可持续渔业监测、沿海生态系统监测、非法捕鱼检测和海洋污染控制（Zha, Min, Han, Xiong, Wang, Xiang, 2023; Zhang, Zhang, Gao, Lang, Liu, Cao, Song, Guan, Dai, 2024）。这项地理信息任务的核心目标是通过先进的遥感图像处理和解释技术，准确区分船舶与复杂的海洋背景，并确定它们的精确空间坐标。

早期的船舶检测工作主要借鉴了遥感目标检测模型，从而产生了许多基于水平边界框（HBB）的船舶检测模型（He et al., 2021）。然而，HBB并不适合船舶检测任务。具体来说，船舶通常以密集的编队形式出现，使用HBB会导致边界框之间的交并比（IoU）较高，这会负面影响后续的非最大值抑制（NMS）过程，最终降低检测精度（Zhang et al., 2024）。此外，船舶的高长宽比特性加剧了这一问题（Tang, Zhang, Xia, Cao, & Zhang, 2025）。对于具有明确方向性的船舶，使用HBB无法捕捉方向信息，导致重要的运动相关细节丢失（Wang et al., 2025）。因此，在定向船舶检测中，使用定向边界框（OBB）已成为最近研究中的主流方向（Li, Feng, Feng, Hu, 2025; Zhan, Liu, Li, Xiao, 2024）。

根据模型阶段的数量，定向船舶检测可以分为单阶段和两阶段检测器。在单阶段检测器中，例如R3Det（Yang, Yan, Feng, & He, 2021a）采用特征细化模块来对齐旋转特征；S²ANet（Han, Ding, Li, & Xia, 2021a）引入了基于对应锚框的对齐卷积，实现了快速船舶检测；Oriented RepPoints（Li, Chen, Hu, & Zhu, 2022a）从图像中生成一组关键点并预测相关参数以生成旋转边界框，避免了基于锚框的设计中复杂的超参数调整问题；CHPDet（Zhang, Wang, Zhou, Wang, & Hou, 2021a）使用带有头部点的定向旋转边界框来表示船舶目标，通过定位头部点和中心点来确定物体的方向，但这种方法增加了标注成本；DCNDarknet25（Su, Huang, Yan, Zhao, & Zhou, 2022）将无角度回归的旋转检测功能集成到YOLO（Redmon, Divvala, Girshick, & Farhadi, 2016）检测算法中，实现了快速船舶检测；MidNet（Liang, Feng, Zhang, Zhang, & Jiao, 2023）设计了一种无锚点和角度的检测器，利用对称可变形卷积来定位船舶的关键点；SRTNet（Pan et al., 2024）采用船舶显著性增强模块提取轮廓细节并学习几何船舶特征，提高了在杂乱环境中的船舶可见性。

对于两阶段检测器，RoI Transformer（Ding, Xue, Long, Xia, & Lu, 2019）从水平锚框生成水平感兴趣区域（HRoI），然后使用可学习模块将这些水平提议转换为旋转感兴趣区域（RRoI），从而避免了选择锚框的需要；Oriented R-CNN（Xie, Cheng, Wang, Yao, & Han, 2021）通过生成HRoI并预测HRoI每个边缘上的点位置来提高检测精度；P2RNet（Chen, Wang, Zhang, Liu, & Wang, 2024）采用两阶段检测框架，第一阶段通过关键点热图分析生成区域提议，第二阶段通过改进的YOLO网络实现快速准确的船舶检测；NACAD（Yuan, Zhao, & Ma, 2023）利用位置细化模块来改进从区域提议网络获得的HRoI，从而实现遥感图像中小目标的检测；此外，DETR（Carion et al., 2020）的进展，如AO2-DETR（Dai, Liu, Tang, Wu, & Song, 2022），探索了注意力机制在遥感图像旋转目标检测中的应用，展示了巨大的潜力。

然而，在定向船舶检测领域，仍有几个关键挑战尚未解决。首先，引入角度参数来表示方向性会导致角度边界处的不连续性，因为角度具有周期性。值得注意的是，当角度接近预定义的范围边界时，微小的角度偏差会导致边界处的不连续性，从而引起较大的损失变化（如图1(a)所示）。其次，船舶通常具有较高的长宽比，从这种高长宽比的物体中提取特征时，感受野往往难以与物体对齐，导致高质量特征的缺乏。具体来说，当检测器的感受野过大时，特征可能包含大量背景噪声；而感受野过小时，则可能忽略沿长轴的特征（如图1(b)所示）。第三，由于距离、分辨率和船舶类型的差异，船舶的大小可能会有显著变化，这对检测模型同时识别大、中、小规模的船舶构成了挑战（如图1(c)所示）。

为系统解决这三个挑战，本文提出了一种基于长宽比感知的动态标签分配的无锚点单阶段模型，包含三个相应模块：三角函数标准化编码器（TNC）、基于长宽比的动态样本分配（RDDA）和注意力引导的特征融合模块（AGFFM）。首先，我们通过使用三角函数进行标准化处理，将角度值转换为连续空间，优雅地解决了边界不连续性问题，这种方法采用了简洁的数学公式，与以往的方法不同（Yu & Da, 2023）。其次，RDDA旨在利用船舶的长宽比智能扩展正样本区域，增加高质量特征的数量。具体来说，它从船舶的腰部捕获有价值特征——这些区域富含传统采样策略忽略的判别信息。最后，我们提出了AGFFM，它在特征金字塔架构中集成通道和空间注意力机制，实现了内容自适应的特征增强和有效的多尺度特征融合。我们的主要贡献如下：

1) 我们提出了TNC，这是一种简洁的三角函数编码机制，有效解决了定向检测中的边界不连续性问题。该方法将角度空间投影到更高维的表示中，在边界之间创建平滑的过渡，其公式比现有方法更简单，显著提高了角度回归的稳定性和准确性。

2) 我们设计了RDDA，这是一种考虑长宽比的动态样本分配策略，解决了高长宽比船舶的特征稀缺问题。通过智能地将正样本选择扩展到船舶的腰部，并使用高斯分布评估样本质量，RDDA选择了更具代表性的高质量正样本，显著提高了检测性能。

3) 我们开发了AGFFM，这是一种用于多尺度船舶检测的双注意力特征融合模块。通过在特征金字塔中集成通道和空间注意力机制，该模块能够自适应地增强和深度融合不同层次的特征，从而实现对不同规模船舶的有效检测。

本文的其余部分组织如下：第2节简要回顾了遥感目标检测的相关工作；第3节详细介绍了我们提出方法的实现细节；第4节在多个遥感船舶数据集上进行了实验并提供了详细分析；最后在第5节总结了本文。

相关工作

本节简要回顾了与我们方法相关的研究领域。我们首先在第2.1节追溯了遥感图像中船舶检测的发展历程，从通用水平目标检测开始。然后在第2.2节描述了向定向目标检测的演变过程，解决了水平框在处理定向物体时的局限性。最后，我们重点介绍了为遥感图像中的船舶检测开发的高级技术。

整体框架

为了解决角度边界不连续性、高长宽比船舶的高质量特征稀缺以及遥感图像中定向船舶的多尺度变化等核心挑战，我们提出了一种具有动态标签分配的集成单阶段方法。所提出框架的整体架构如图2所示，各模块协同工作以增强特征提取。

实验与分析

在本节中，我们在三个公共数据集上评估了我们提出方法的有效性。首先描述了数据集和实现细节，然后与现有方法进行了对比实验、全面的消融研究和参数实验。

结论

在本文中，我们提出了一种无锚点的单阶段旋转船舶检测器，包含三个创新的组件，解决了角度边界不连续性、高长宽比特征稀缺以及遥感船舶检测中多尺度表示不足的关键问题。我们的主要贡献在于三个创新模块：三角函数标准化编码器（TNC）使用简单的三角函数构建连续的角度空间，从根本上解决了这一问题

CRediT作者贡献声明

马丹丹：概念化；方法论；形式分析；撰写——初稿；撰写——审阅与编辑；可视化；监督。

黄浩：方法论；调查；数据整理；验证；可视化；撰写——初稿。

姜志宇：概念化；形式分析；资源获取；可视化；监督；撰写-审阅与编辑。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。