基于高斯掩码的合成孔径雷达舰船检测多任务学习
计算机视觉与模式识别
2024-11-22 v1
摘要
合成孔径雷达图像中的舰船检测因强散斑噪声、复杂环境和尺度变化而具有挑战性。本文提出了 MLDet 框架进行多任务学习，包括目标检测、散斑抑制和目标分割任务。引入带有长宽加权的角度分类损失，以解决角度周期性和物体比例问题，从而提高检测精度。散斑抑制任务采用双特征融合注意力机制，以降低噪声并融合浅层和去噪特征，增强鲁棒性。目标分割任务利用旋转高斯掩码，有助于网络从杂乱背景中提取目标区域，并通过像素级预测提高检测效率。高斯掩码确保舰船中心具有最高概率，向外按高斯分布逐渐递减。此外，引入加权旋转框融合（WRBF）策略，将多方向锚框预测进行融合，筛选越界锚框或置信度低但重叠度高的锚框。在 SSDD+ 和 HRSID 数据集上的大量实验表明，MLDet 在有效性和优越性方面均取得优异成果。
引用
@article{arxiv.2411.13847,
title = {Multitask Learning for SAR Ship Detection with Gaussian-Mask Joint Segmentation},
author = {Ming Zhao and Xin Zhang and André Kaup},
journal= {arXiv preprint arXiv:2411.13847},
year = {2024}
}