用于SAR舰船检测的场景保持实例级增强与可变形卷积网络
计算机视觉与模式识别
2022-02-15 v1
摘要
由于随机朝向导致的目标形状形变以及雷达信号遮挡引起的部分信息丢失，是SAR舰船检测中的一项关键挑战。在本文中，我们提出一种数据增强方法来训练对目标内部分信息丢失具有鲁棒性的深度网络。利用边界框和实例分割掩码的 ground-truth 标注，我们提出了一种简单有效的流程，在实例级别上模拟目标的信息丢失，同时保持上下文信息。此外，我们采用可变形卷积网络自适应地从几何平移的目标中提取形状不变深度特征。通过学习相对于标准卷积网格的采样偏移，该网络能够鲁棒地从具有形状变化的目标中提取特征以用于SAR舰船检测。在HRSID数据集上的实验，包括与其他深度网络和增强方法的对比以及消融研究，证明了我们所提方法的有效性。
引用
@article{arxiv.2202.06513,
title = {Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection},
author = {Taeyong Song and Sunok Kim and SungTai Kim and Jaeseok Lee and Kwanghoon Sohn},
journal= {arXiv preprint arXiv:2202.06513},
year = {2022}
}
备注
Accepted to 2022 IEEE Radar Conference