强化异常分布下的SAR舰船检测：一种引导-约束混合方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Reinforcing Out-of-Distribution SAR Ship Detection: A Guidance-Constraint Hybrid Approach

　　

摘要：

在合成孔径雷达船舶检测中，训练数据与测试数据往往来自不同的分布，因此处理分布外数据的一般化问题仍是一个重要挑战。传统的领域泛化法和领域自适应法高度依赖数据的多样性，这在训练数据有限的现实场景中限制了其效果。为解决这一问题，我们提出了一种结合引导约束的混合框架，将结构化知识融入到基于数据的检测流程中。首先使用经典的局部恒定虚假报警率检测器识别候选区域作为引导，然后通过高斯滤波来优化置信度估计，该滤波可作为约束机制来抑制噪声并提升空间一致性。基于数据的部分则采用轻量级的Enhanced ShuffleNet v2架构，该架构旨在增强语义关联并提高对相关区域的关注度。实验结果表明，与传统基于数据的方法相比，我们的混合模型在面对严重的分布偏移时仍能保持优异性能，在OOD场景下的mAP@0.5值提升了约20%。这些成果表明，利用先验知识的机器学习方法有望弥补传统统计方法的不足，从而进一步提升SAR船舶检测中的分布外数据一般化能力。