ShipGen：通过基于布局条件的扩散式数据增强技术提升遥感船舶检测能力

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：ShipGen: Improving Remote Sensing Ship Detection Via Layout-Conditioned Diffusion-Based Data Augmentation

　　```

摘要：

合成孔径雷达（SAR）在遥感领域中发挥着关键作用。由于标注数据有限这一常见问题，数据增强常被用来提升检测器的性能。然而，大多数增强方法仅限于几何变换、“复制粘贴”或图像修复，这些方法受到严格约束，导致目标和背景的多样性不足。为了解决这一问题，我们提出了一种基于多阶段迁移学习的框架，并结合了布局条件扩散模型。该模型将稀疏的目标布局作为松弛条件纳入潜在扩散模型中，这些条件以边界框的形式指定目标的位置和大小。这样可以自由生成其他船舶属性（例如方向、散射特性）和背景，从而提高目标和背景的多样性。为了提升模型在小数据集上的收敛速度，我们首先在大规模数据集上进行预训练，然后在小规模数据集上进行微调以实现迁移学习。这使得即使在使用小数据集时也能实现精确的目标生成。在后续的数据增强过程中，我们采用了广泛使用的基于自然语言到图像的生成模型（GLIGEN），并在此基础上开发了一种新的自动增强流程，其中包括布局增强、基于Segment Anything模型（SAM）的注释校正和数据过滤等功能。该流程整合了多种基础模型和工具，能够自动调整不恰当的注释，并筛选高质量的数据作为下游检测任务的增强数据。在SSDD和HRSID数据集上的实验验证表明，该流程提升了多种检测器在近海和远海场景下的性能，定性分析也证实了生成图像具有较高的多样性和质量。

```