【TGRS】Ship Detection in Large-Scale SAR Images Via Spatial Shuffle-Group Enhance Attention译读笔记
论文信息
Ship Detection in Large-Scale SAR Images Via Spatial Shuffle-Group Enhance Attention
摘要
使用SAR进行舰船目标检测在军用和民用领域具有十分重要的应用。然而,舰船目标很难与周围的背景区分开来,并且许多虚警是由于陆地区域的影响而产生的。舰船检测中经常发生虚警是因为大尺度SAR图像中多数区域都被当作是背景和杂波,而船舶目标被认为是分布不均匀的小目标。为了解决这些问题,本文提出了一种使用CenterNet针对大尺度SAR图像的舰船检测方法。作为一种Anchor-Free方法,CenterNet将目标定义为一个点,通过关键点估计定位目标的中心点,于是能够有效地避免小目标的漏检。与此同时,Spatial-Shuffle-Group-Enhance(SSE)注意力模块被应用于CenterNet模型中。通过SSE模块,可以提取更强的语义特征,并且抑制噪声,以减少由近海和内陆干扰引起的FP(false positive)。在公开SAR舰船数据集进行的实验显示提出的方法能够无漏检地检测所有的目标,包括密集停靠的舰船目标。对于哨兵1号获取的大尺度SAR图像中的舰船目标,所提出的方法能以高精度检测出近岸和海域中的目标,超越了Faster-RCNN、SSD、YOLO、FPN以及它们的变体方法。
1 引言
SAR的独特优势在于其不受到天时或者其它恶劣天气的限制。舰船检测在SAR图像数据十分重要的应用,在军用和民用领域都发挥着关键的作用。如今,国际上已经使用了许多机载和星载SAR成像技术,获得了越来越多的高质量和大尺度的区域数据【1_2019SqueezeSEShip, 2_2005ShipSAR】。因此,大尺度图像下的舰船目标检测成为了一项尤为重要的经典任务【3_2018AutomaticShipDectection, 4_2012BuildingDevelepment】。
传统的SAR舰船检测算法主要分成三个阶段:区域选择、特征提取和分类【5_2018DetectionDiscrimination】。区域选择的主要目的是找出多个目标所在的大致方位。特征提取在区域选择的基础上提取分类特征从而能准确地表示目标区域,是目标检测的核心。常用的特征包括SIFT【6_2015SARSIFT】和HOG【7_2013CFARDectection】。这些方法需要使用灰度值、尺度大小或者其它特性来手工的设计特征和分类器。这些调整在近岸区域的舰船检测中表现乏力,并且难以排除误报,例如:冰山和岛屿。与此同时,同时,需要针对不同场景进行重新建模,并且检测效率低而误报率高【8_2017ShipDectecion】。除此之外,SAR图像中的散斑噪声和运动模糊可能会造成舰船目标之间不必要的差异性,给传统的SAR舰船检测带来困难【9_2017HierarchicalSaliency】。如今,Constant-False-Alarm-Rate(CFAR)检测算法是SAR舰船检测研究中使用最为广泛且高效的检测方法。然而,CFAR算法受统计背景区域的影响较大。通常来说,增加统计背景区域可提高描述子的准确性,但是这样会导致但这可能会导致更大的背景杂波变化并且增加误报率【10_2015BilateralCFAR】。因此,使用针对大尺度SAR图像的传统检测方法解决舰船目标检测问题是较为困难的【11_2017IntensityDomain】。
【TGRS】Ship Detection in Large-Scale SAR Images Via Spatial Shuffle-Group Enhance Attention译读笔记相关推荐
- 【SFace】《SFace: An Efficient Network for Face Detection in Large Scale Variations》
arXiv-2018 文章目录 1 Background and Motivation 2 Advantages / Contributions 3 Method 3.1 Feature Pyrami ...
- 【OrientedRepPoints】Oriented RepPoints for Aerial Object Detection的译读笔记
Oriented RepPoints for Aerial Object Detection 摘要 与通用目标不同,航空目标通常不是正轴对齐而且具有任意的方向,且周围背景较为杂乱.与主流方法使用边 ...
- 【翻译】Rosetta Large Scale System for Text Detection and Recognition in Images
Rosetta: Large Scale System for Text Detection and Recognition in Images(大规模图像文本提取和识别系统) 摘要 在本文中,我 ...
- Kaggle新手银牌:Airbus Ship Detection 卫星图像分割检测
点击我爱计算机视觉标星,更快获取CVML新技术 关键词:20天.第一次打Kaggle的新手.银牌.全球第21名. 本文为原作者投稿,原载于知乎,感谢对"我爱计算机视觉"的支持.也欢 ...
- Automatically Labeled Data Generation for Large Scale Event Extraction
Automatically Labeled Data Generation for Large Scale Event Extraction 简介 这篇文章关注对event extraction提供标 ...
- 【多标签文本分类】Large Scale Multi-label Text Classification with Semantic Word Vectors
·阅读摘要: 本文提出了利用词向量+CNN/词向量+GRU来解决大规模数据下的多标签文本分类问题. [1] Large Scale Multi-label Text Classificatio ...
- Machine Learning week 10 quiz: Large Scale Machine Learning
Large Scale Machine Learning 5 试题 1. Suppose you are training a logistic regression classifier using ...
- Paper之BigGAN:ICLR 2019最新论文《LARGE SCALE GAN TRAINING FOR HIGH FIDELITY NATURAL IMAGE SYNTHESIS》(未完待续)
Paper之BigGAN:ICLR 2019最新论文<LARGE SCALE GAN TRAINING FOR HIGH FIDELITY NATURAL IMAGE SYNTHESIS> ...
- 【原】Coursera—Andrew Ng机器学习—课程笔记 Lecture 17—Large Scale Machine Learning 大规模机器学习...
Lecture17 Large Scale Machine Learning大规模机器学习 17.1 大型数据集的学习 Learning With Large Datasets 如果有一个低方差的模型 ...
最新文章
- 定制CentOS (Redhat AS 5.1)安装盘
- BUUCTF-WEB:[极客大挑战 2019]Havefun 1
- 使用 VS2005 编译 directshow sample 时链接错误
- keras优化算法_目标检测算法 - CenterNet - 代码分析
- java erlang 游戏_游戏中最近可达点(用erlang写一个简单算法)
- ios项目中使用gcd的场景_Redis在PHP项目中的实际应用场景
- osi七层模型 与Linux的一些常用命令和权限管理 继承上篇
- 渗透测试工具之——Netsparker概述
- 20221103使用ffmpeg提取mp4视频的字幕
- 第十届国家级大学生创新训练项目——3D打印技术在建筑构部件生产中的应用
- php 公众号群发消息,PHP 微信公众号 群发文本消息
- 程序员的成长课-读后感
- Android 按钮添加音效 + 设置背景音乐
- 智能药盒 树莓派与Arduino实现药板自助取药
- English语法_形容词/副词3级 - 倍数表达
- 【裸眼3D】 图形图像空洞填充
- 一元多项式加减法的C++实现
- 机器学习中常用的分类算法总结
- Error: Can't find Python executable python, you can set the PYTHON env variable.解决办法
- SpringMVC之HandlerMethodReturnValueHandler