DACF-Net：面向SAR舰船实例分割的动态注意力与上下文融合网络及其几何感知多尺度细化

《International Journal of Digital Earth》：DACF-net: a dynamic attention and context fusion network with geometry-aware multi-scale refinement for sar ship instance segmentation

　　

深度学习推动了合成孔径雷达(SAR)图像中舰船实例分割的发展。然而，多尺度舰船变化、小目标分割不准确以及复杂场景中显著的背景干扰仍限制着分割性能。为解决这些挑战，研究人员提出一种新颖的动态注意力与上下文融合网络(DACF-Net)，通过几何感知的多尺度渐进式特征细化来增强掩膜预测。DACF-Net整合了多尺度上下文聚合、跨层语义引导和几何感知候选框生成，以改善舰船表示与分割精度。具体而言，引入多尺度特征融合模块(MSFFM)，通过多分支大核卷积结构聚合尺度自适应上下文信息；设计跨层特征交互模块(CLFIM)，利用高层语义调制低层特征，优化跨层语义一致性；构建动态上下文感知模块(DCPBlock)，联合建模中程空间依赖与全局通道上下文以抑制背景干扰。此外，研究人员开发了三种变体以平衡分割精度与计算效率。在HRSID和PSeg-SSDD上的实验证明了所提方法的有效性。DACF-Net^?在HRSID和PSeg-SSDD上分别取得63.3%和65.7%的分割平均精度(AP)值，比次优方法分别高出4.2%和1.4%。进一步的实验结果表明，DACF-Net及其变体在不同尺度的舰船目标上均取得有竞争力的分割性能。

合成孔径雷达(SAR，一种主动式微波遥感成像技术)具备全天时、全天候对地观测能力，在海上监视、航道管理和海洋环境监测中具有重要价值。SAR舰船实例分割可提供像素级掩膜，有助于舰船行为分析和尺寸估计。然而，现有算法仍面临三方面挑战：舰船目标尺度差异大；小目标分割不准确；复杂近岸场景和海杂波导致强烈背景干扰。通用实例分割方法中，基于候选框的方法受固定锚点尺度和宽高比限制，免候选框方法则对多尺度舰船目标精度有限。已有SAR检测器虽能定位舰船，但难以刻画船体轮廓、艏艉结构和遮挡关系。为此，研究人员提出动态注意力与上下文融合网络(DACF-Net)，通过几何感知的多尺度渐进式特征细化改善掩膜预测，该研究发表在《International Journal of Digital Earth》。

关键方法方面，研究在HRSID和PSeg-SSDD两个公开SAR数据集上开展。HRSID包含5604幅800×800像素图像、16951个舰船实例，来自Sentinel-1和TerraSAR-X；PSeg-SSDD包含1160幅来自RadarSat-2、TerraSAR-X和Sentinel-1的图像。DACF-Net以ResNet-101或EdgeNeXt-B为骨干，使用多尺度特征融合模块(MSFFM)、跨层特征交互模块(CLFIM)和动态上下文感知模块(DCPBlock)构建多尺度注意力引导特征传播网络(MSAGFPN)，并结合上下文感知引导锚定区域建议网络(CAGA-RPN)与混合任务级联(HTC)头部实现检测与分割。训练采用焦点损失、有界IoU损失、交叉熵和平滑L1损失的联合目标。

SAR目标检测与实例分割结果：在HRSID上，DACF-Net检测AP为70.9%，分割AP为60.2%；采用骨干替换和Soft-NMS后，DACF-Net^?的分割AP达62.6%，DACF-Net^?进一步将检测AP提升至73.2%，分割AP提升至63.3%。在PSeg-SSDD上，DACF-Net的分割AP为64.2%，DACF-Net^?达到65.7%，并在AP_S、AP_M等指标上表现最佳。

骨干网络的影响：研究人员比较ResNeSt-101、ConvNeXt-T、FasterNet-S、EdgeNeXt-S及更大变体EdgeNeXt