SARES-DEIM：稀疏混合专家模型结合 DETR 用于鲁棒的 SAR 船舶检测
计算机视觉与模式识别
2026-04-07 v1
摘要
合成孔径雷达（SAR）图像中的船舶检测本质上受到固有相干散斑噪声、复杂海岸杂波和小尺度目标普遍存在的挑战。传统检测器主要针对光学图像设计，通常对 SAR 特定退化表现出有限的鲁棒性，并且在空间下采样过程中会丢失细粒度的船舶特征。为解决这些局限性，我们提出了 SARES-DEIM，这是一个基于 DETR（DEtection TRansformer）范式的领域感知检测框架。我们的方法核心是 SARESMoE（SAR 感知专家选择混合专家模型），它利用稀疏门控机制将特征选择性地路由到专门的频率和小波专家。这种稀疏激活架构有效滤除了散斑噪声和语义杂波，同时保持了高计算效率。此外，我们引入了空间到深度增强金字塔（SDEP）颈部结构，以保留浅层阶段的高分辨率空间线索，显著改善了小目标的定位。在两个基准数据集上的广泛实验证明了 SARES-DEIM 的优越性。特别是在具有挑战性的 HRSID 数据集上，我们的模型实现了 76.4% 的 mAP50:95 和 93.8% 的 mAP50，超越了最先进的 YOLO 系列和专用 SAR 检测器。
引用
@article{arxiv.2604.04127,
title = {SARES-DEIM: Sparse Mixture-of-Experts Meets DETR for Robust SAR Ship Detection},
author = {Fenghao Song and Shaojing Yang and Xi Zhou},
journal= {arXiv preprint arXiv:2604.04127},
year = {2026}
}
备注
10 pages, 4 figures, published to JSTARS(IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing)