AMANet：基于自适应多层级注意力网络的 SAR 船舶检测推进
计算机视觉与模式识别
2024-01-25 v1 人工智能
机器学习
摘要
近年来，基于深度学习的方法已成功应用于合成孔径雷达（SAR）图像的船舶检测。尽管已发展出众多船舶检测方法，但由于特征有限以及沿海环境中的杂波，小型和沿海船舶的检测仍是一项重大挑战。为此，提出了一种新颖的自适应多层级注意力模块（AMAM），以学习多尺度特征并自适应地聚合来自不同特征层的显著特征，即使在复杂环境中亦然。具体而言，我们首先融合来自相邻特征层的信息以增强对较小目标的检测，从而实现多尺度特征增强。然后，为了滤除复杂背景的不利影响，我们在通道上剖析先前融合的多级特征，分别挖掘显著区域，并自适应地合并来自不同通道的特征。第三，我们通过将 AMAM 嵌入骨干网络与特征金字塔网络（FPN）之间，提出了一种新颖的自适应多层级注意力网络（AMANet）。此外，AMAM 可以轻松插入不同框架之间以改善目标检测。最后，在两个大规模 SAR 船舶检测数据集上的大量实验表明，我们的 AMANet 方法优于 state-of-the-art 方法。
引用
@article{arxiv.2401.13214,
title = {AMANet: Advancing SAR Ship Detection with Adaptive Multi-Hierarchical Attention Network},
author = {Xiaolin Ma and Junkai Cheng and Aihua Li and Yuhua Zhang and Zhilong Lin},
journal= {arXiv preprint arXiv:2401.13214},
year = {2024}
}
备注
11 pages, 7 figures