一种受大脑启发、结构可搜索的模型，用于在复杂环境中检测SAR（合成孔径雷达）船舶

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A Brain-inspired Structurally Searchable Model for SAR Ship Detection in Complex Environments

　　

摘要：

由于复杂的背景、物体的任意方向以及成像噪声，合成孔径雷达（SAR）在船舶检测方面仍然面临挑战，这些因素通常会导致基于卷积神经网络（CNN）的模型计算成本高昂。然而，SAR成像产生的噪声进一步复杂化了背景，增加了检测难度和对硬件资源的需求，从而限制了模型的应用。最近，基于视觉滤波机制的脑启发式计算技术发展迅速。大量数据也验证了在各个领域应用脑启发式计算的可行性。受视觉滤波机制的启发，我们提出了一种基于神经架构搜索（NAS）的脑启发式SAR图像检测模型。与其他模型不同，我们在检测之前专门引入了一个脑启发式的滤波模块，以提升输入图像的质量并抑制目标噪声。我们的模型包含两部分：一部分是脑启发式的动态滤波任务，用于在抑制复杂背景的同时增强船舶目标特征；另一部分是受DETR（Detection, Tracking, and Recognition）启发的动态检测任务，该任务在极坐标系统中进行。在滤波任务中，我们引入了“眼核”（Eye Kernel）来利用目标掩膜信息进行更好的特征提取，并提出了动态可变形卷积（dynamic deformable convolution）来模拟大脑的动态感受野。在检测任务中，我们提出了一个高效轻量级前馈网络（Efficient Lightweight Feed-Forward Network），以减少参数数量同时保持性能。对于旋转目标，我们提出了旋转多尺度注意力机制（Rotated Multi-scale Attention），以避免采样非目标区域，从而减小模型规模。该模型在极坐标系统中使用了改进的匈牙利匹配算法（one-to-many Hungarian algorithm）来回归目标边界框（OBB）。与之前的最先进模型相比，我们的模型取得了显著的提升，并且性能远超其他模型。此外，我们的基线模型在RSSDD和RSDD数据集上达到了最先进的性能水平，mAP值分别提高了0.89%和0.42%...

显示更多