基于物理引导的 SAR 飞机检测器
计算机视觉与模式识别
2024-11-20 v1
摘要
SAR 飞机目标的离散结构分布（离散性）和变异散射特性（变异性）导致目标检测与识别面临特殊挑战。当前基于深度学习的检测器在处理复杂背景下对细粒度 SAR 飞机目标的区分面临挑战。为此，本文提出一种新颖的物理引导检测器（PGD）学习范式，用于 SAR 飞机，其全面探究飞机的离散性和变异性以提高检测性能。该方法是一种可扩展到不同现有深度学习检测器（具有“backbone-neck-head”架构）的通用学习范式。PGD 的主要贡献包括物理引导的自监督学习、特征增强和实例感知，分别称为 PGSSL、PGFE 和 PGIP。PGSSL 旨在基于广泛的 SAR 飞机目标构建自监督学习任务，将各种离散结构分布的先验知识编码到嵌入空间中。随后，PGFE 在 PGSSL 学习的物理感知信息指导下增强检测器的多尺度特征表示。PGIP 在检测头构建，用于学习每个 SAR 飞机实例的细化和主导散射点，从而减轻复杂背景的干扰。本文提出两种实现方式，称为 PGD 和 PGD-Lite，并应用于不同 backbone 和检测头的各种现有检测器。实验表明，所提出的 PGD 在灵活性和有效性方面具有优势，可在 SAR 飞机检测任务中实现更好的细粒度分类（最高提升 3.1% mAP），并在 SAR-AIRcraft-1.0 数据集上实现最先进的性能（90.7% mAP）。该项目已开源于 \url{https://github.com/XAI4SAR/PGD}。
引用
@article{arxiv.2411.12301,
title = {Physics-Guided Detector for SAR Airplanes},
author = {Zhongling Huang and Long Liu and Shuxin Yang and Zhirui Wang and Gong Cheng and Junwei Han},
journal= {arXiv preprint arXiv:2411.12301},
year = {2024}
}