基于自监督预训练和课程感知抽样的合成孔径雷达目标检测
计算机视觉与模式识别
2025-04-21 v1 人工智能
摘要
卫星载合成孔径雷达（SAR）图像中的目标检测在城市监测和灾后评估等任务中具有巨大潜力。然而，SAR数据固有的复杂性以及注释稀缺性为该领域目标检测的发展带来了显著挑战。尤其，由于技术的空间分辨率相对较低且固有噪声，卫星SAR图像中小目标检测尤为棘手。此外，缺乏大规模标注SAR数据集也阻碍了基于监督深度学习的目标检测模型发展。本文引入TRANSAR——一种新型基于自监督端到端视觉变换器的SAR目标检测模型，该模型在覆盖超过平方公里地面区域的无标签SAR图像数据集上进行掩码图像预训练。不同于传统目标检测表述，本方法利用辅助的二值语义分割，旨在将感兴趣的对象（尤其是较小的对象）从背景中 segregate 出来。在此基础上，为解决因对象相对于图像大小的不比例导致的类别不平衡问题，本文引入一种自适应抽样调度器，基于课程学习和模型反馈动态调整训练期间的目标类别分布。该方法使我们在基准SAR数据集上的大量评估表明，TRANSAR超越了DeepLabv3、UNet等传统监督架构，以及DPT、SegFormer、UperNet等最新自监督学习架构。
引用
@article{arxiv.2504.13310,
title = {SAR Object Detection with Self-Supervised Pretraining and Curriculum-Aware Sampling},
author = {Yasin Almalioglu and Andrzej Kucik and Geoffrey French and Dafni Antotsiou and Alexander Adam and Cedric Archambeau},
journal= {arXiv preprint arXiv:2504.13310},
year = {2025}
}
备注
Accepted to ICLR 2025 ML4RS https://ml-for-rs.github.io/iclr2025/