Sep, 2022

基于 Swin Transformer 和特征增强特征金字塔网络的 SAR 船舶检测

PDF
TL;DR本研究提出了一种基于 Swin Transformer 和特征增强特征金字塔网络（FEFPN）的 SAR 船舶检测方法，使用 Swin Transformer 作为支撑来建模长距离依赖性并生成分层特征图。使用 FEFPN 逐步增强所有级别的特征图的语义信息，特别是浅层特征图，以进一步提高特征图的质量。在 SAR 船舶检测数据集（SSDD）上的实验表明了我们提出的方法的优越性。
sarship detectionconvolutional neural networksswin transformerfeature enhancement feature pyramid network
发现论文，激发创造
  • SwinV2DNet：金字塔与自监督复合特征学习用于遥感图像变化检测

    基于 Swin V2 与 VGG16，提出了一种端到端的合成稠密网络 SwinV2DNet，继承了 transformer 和 CNN 的优势，克服了现有网络在特征学习中的缺陷，并在四个常用遥感数据集上获得了 SOTA 的变化检测分数和细粒度的变化图。

    Aug, 2023

  • 基于多尺度旋转稠密特征金字塔网络的复杂场景 Google 地球遥感图像自动船舶检测

    本文提出了一种名为旋转密集特征金字塔网络（R-DFPN）的框架，使用 DFPN 解决平凡特征图宽度小的问题，同时还设计了旋转锚策略和多尺度 ROI 对齐等方法，大大提高了船舶检测的性能及效果。

    Jun, 2018

  • 具有联合手工特征视图的双流对比预测网络用于 SAR 船舶分类

    通过引入两个非对称式任务设计和虚假负样本消除模块，我们提出了一种新颖的双流对比预测网络（DCPNet），以解决现有合成孔径雷达（SAR）舰船分类技术中存在的标注数据不足和特征融合造成的冗余问题。实验结果表明 DCPNet 在有监督模型的分类准确性上有所提升，并证实了其学习有效特征表示的能力。

    Nov, 2023

  • SDF2Net: 极化合成孔径雷达图像分类的浅层到深度特征融合网络

    在这项研究中，我们提出了一种新的复合值卷积神经网络（Complex-valued CNN）--- Shallow to Deep Feature Fusion Network（SDF2Net），用于极化合成孔径雷达图像分类，并通过对多个最新方法使用的 AIRSAR 数据集和 ESAR Oberpfaffenhofen 数据集进行对比，结果表明该方法在整体准确度上有所改善，并分别在 AIRSAR 数据集提高了 1.3% 和 0.8%，在 ESAR 数据集提高了 0.5%。对 Flevoland 数据的分析进一步证明了 SDF2Net 模型的有效性，即使仅使用 1% 的采样比例，也达到了 96.01% 的有希望的整体准确度。

    Feb, 2024

  • DETR++：驯服您的多尺度检测 Transformer

    本文介绍了作者提出的一个新的检测架构 DETR++，在目标检测方面的性能上优于现有基线，并提出了一种 BiFPN 方法，最大限度地提高了多尺度特征的准确性。

    Jun, 2022

  • SwinFIR：通过快速傅里叶卷积和改进的训练重新审视 SwinIR 并用于图像超分辨率

    本文介绍了一种基于 Transformer 的方法，用于图像恢复，提出了一种名为 SwinFIR 的扩展方法，旨在提高捕捉全局信息的效率，同时改进了数据增强、预训练、特征集成等高级技术，使模型的性能得到显着提高，并在多个大型基准测试上取得了最先进的性能。

    Aug, 2022

  • 用于实时无人机跟踪的连体变压器金字塔网络

    这篇论文介绍了 Siamese Transformer Pyramid Network（SiamTPN）方法，该方法结合了 CNN 和 Transformer 的优势，并针对移动平台的计算资源有限的情况，构建了一个稳健的、针对目标的外观模型。实验结果表明，该方法在高速操作时取得了竞争性的结果，且在 LaSOT 数据集上的 AUC 得分为 58.1%。

    Oct, 2021

  • 利用卷积神经网络从 Sentinel-1 数据进行自动化海洋船舶监测

    通过引入小波变换卷积神经网络方法，利用 Sentinel-1 SAR-C 双极化数据获取了印度西部沿海区域海洋监视和海事监测中的船舶检测，并获得了 95.46% 的检测准确率，进而实现了对海洋船舶的自动监测和外来船只的识别。

    Apr, 2023

  • 多任务旋转区域卷积神经网络用于任意方向船舶的位置检测和方向预测

    该论文提出了一种基于多任务旋转区域卷积神经网络的全新检测模型，通过密集特征金字塔网络、自适应兴趣区域对齐、旋转边界框回归、驶向预测和旋转非极大值抑制等五个连续部分解决了应用场景的复杂性、检测区域的冗余性和密集船只检测的困难等主要障碍。在旋转检测的基础上，通过预测可以找到船只的泊位和驶向，并通过 SRSS 进行了详细的评估，证明该检测方法具有竞争性的性能。

    Jun, 2018

  • AMANet: 自适应多分层注意力网络推进 SAR 船舶检测

    提出了一种适应性多层次注意力模块（AMAM）来学习多尺度特征，并从不同特征层自适应地聚合显著特征，以增强对小目标的检测能力，实现多尺度特征增强和对象检测。通过将 AMAM 嵌入主干网络和特征金字塔网络（FPN）之间，提出了一种新颖的自适应多层次注意力网络（AMANet），并且 AMAM 可以轻松地插入不同的框架以提高对象检测性能。大规模合成孔径雷达（SAR）船舶检测数据集上的大量实验结果表明，AMANet 方法优于现有方法。

    Jan, 2024