OSAD: SAR图像中的开集飞机检测

当前主流的SAR图像目标检测方法在处理开放环境中的未知目标时仍缺乏鲁棒性。开集检测旨在使在闭集上训练的检测器能够检测所有已知目标并识别开放环境中的未知目标。关键挑战在于如何提高对潜在未知目标的泛化能力，并在强监督下降低已知类别的经验分类风险。为应对这些挑战，提出了一种新型SAR图像开集飞机检测器——开集飞机检测（OSAD），它配备三个专用组件：全局上下文建模（GCM）、位置质量驱动的伪标签生成（LPG）和原型对比学习（PCL）。GCM通过捕获长序列位置关系形成的注意力图，有效增强网络对目标的表征。LPG利用目标位置和形状线索来优化定位质量，避免过拟合于已知类别信息并增强对潜在未知目标的泛化能力。PCL采用基于原型的对比编码损失，促进实例级别的类内紧凑性和类间差异，旨在最小化已知与未知分布之间的重叠并降低已知类别的经验分类风险。大量实验表明，所提方法能够有效检测未知目标，并在不损害闭集性能的前提下展现出竞争力。在未知目标的平均精度上可实现0至18.36%的最高绝对提升。