R-Sparse R-CNN：基于背景感知稀疏可学习提案的合成孔径雷达舰船检测
计算机视觉与模式识别
2025-04-29 v1
摘要
我们提出了 R-Sparse R-CNN，这是一种用于合成孔径雷达（SAR）图像中倾斜舰船检测的新型管道，利用充满背景上下文信息的稀疏可学习提案（称为背景感知提案，BAPs）来增强检测性能。采用稀疏提案可通过消除提案生成器和用于处理重叠预测的后处理步骤，使管道更加简洁。所提出的 BAPs 通过集成舰船与背景特征，来增强对象表征，使模型能够学习它们的上下文关系，从而在复杂环境中更准确地区分舰船。为配合 BAPs，我们提出了双重上下文池化（DCP），这是一种新颖的策略，能够在单一统一的操作中联合提取舰船和背景特征。这种统一设计通过消除冗余计算显著提高了效率。此外，通过确保舰船和背景特征来自同一特征图层级，DCP 提供了对齐的特征，改善了上下文关系的学习。最后，作为 R-Sparse R-CNN 中上下文关系学习的核心组件，我们设计了一个基于变换器的交互模块。该模块与相应的提案特征相互作用，并对池化后的舰船和背景特征进行建模，以捕捉其间的关系。实验结果表明，R-Sparse R-CNN 在 SSDD 和 RSDD-SAR 海岸数据集上分别实现了最高可达 12.8% 和 11.9% 的准确率提升，显著优于当前最先进的模型。这一结果表明了 R-Sparse R-CNN 在 SAR 图像中进行倾斜舰船检测方面的有效性和竞争力。代码已公开：https://www.github.com/ka-mirul/R-Sparse-R-CNN。
引用
@article{arxiv.2504.18959,
title = {R-Sparse R-CNN: SAR Ship Detection Based on Background-Aware Sparse Learnable Proposals},
author = {Kamirul Kamirul and Odysseas Pappas and Alin Achim},
journal= {arXiv preprint arXiv:2504.18959},
year = {2025}
}
备注
Submitted to IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing