SAR-Net: 多尺度定向感合成孔径雷达网络

Dec, 2023

SAR-Net: 多尺度定向感合成孔径雷达网络

SAR-Net: Multi-scale Direction-aware SAR Network via Global Information Fusion

Mingxiang Cao, Jie Lei, Weiying Xie, Jiaqing Zhang, Daixun Li...

TL;DRSAR-Net 是一个专门设计用于合成孔径雷达 (SAR) 目标检测中全局融合方向感知信息的创新框架，通过 Unity 补偿机制 (UCM) 和方向感知注意模块 (DAM) 实现了全局信息融合和消除背景干扰的功能。通过在飞机和船只数据集上进行实验，验证了 SAR-Net 在目标检测领域取得了最先进的结果，证实了其泛化能力和鲁棒性。

Abstract

Deep learning has driven significant progress in object detection using synthetic aperture radar (SAR) imagery. Existing methods, while achieving promising results, often struggle to effectively integrate local a

synthetic aperture radar object detection sar-net direction-aware features global fusion

发现论文，激发创造

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

DAM-Net: 基于差分注意力度量的视觉 Transformer 技术在 SAR 图像中全球洪涝检测

本文提出一种新的基于差分注意力度量的网络 --DAM-Net，用于检测洪水区域。DAM-Net 包括两个关键组件：一个共享权重的双子背骨结构，用于获得多时相图像的多尺度变化特征和具有高级语义信息的表示水体变化的令牌，以及一个融合语义令牌和变化特征的时态差分融合模块，以生成减少斑点噪声的洪水地图。通过在提出的 S1GFloods 数据集上进行实验，证明 DAM-Net 相比当前最先进的方法在总体精度、F1 分数和 IoU 三个指标上都有明显提升。

Jun, 2023

用于强健 SAR 车辆识别的分层去纠缠网络

本文提出了一种新颖的 Hierarchical Disentanglement-Alignment Network（HDANet）方法，通过数据对齐框架增强了特征的因果性和鲁棒性，展现了在多种 SAR 的目标和环境变量中的高鲁棒性。

Apr, 2023

基于深度学习的多波段信号融合用于三维 SAR 超分辨率

提出一种深度学习方法 kR-Net，使用混合的双域复值卷积神经网络 (CV-CNN) 融合多频段信号，以实现对复杂目标的高分辨率成像，从而在安全筛查和工业成像领域中具有广阔应用前景。

May, 2023

MS-Net: 用于合成孔径雷达图像中飞机细粒度分类的多模态自监督网络

提出一个新颖的多模态自监督网络（MS-Net）用于合成孔径雷达（SAR）影像中飞机的细粒度分类，通过大量实验，证明了 MS-Net 在无标签情况下能够有效降低类似类型飞机的分类难度，对 SAR 影像中飞机的细粒度分类具有开创性意义。

Aug, 2023

MFDS-Net: 远程感知变化检测的多尺度特征深度监督网络，融合全局语义和细节信息

MFDS-Net 是一种基于全局语义和细节信息的多尺度特征深度监督网络，旨在更精细地描述变化的建筑和地理信息，增强变化目标的定位和弱特征的提取。

May, 2024

探讨多模式城市制图中 SAR 和光学利用之间的不平衡

使用双分支深度神经网络和切断机制研究城市地图中 SAR 和光学数据的利用，发现传统的 SAR - 光学数据融合方法虽然达到了良好的性能，但光学数据的利用存在明显的不足。因此，需要进一步研究 SAR 和光学数据的更加平衡的利用是否能够提高性能。

Apr, 2023

多层特征聚合与递归对齐网络在实时语义分割中的应用

通过引入多级特征聚合和递归对齐网络 (MFARANet)，在实时推理速度下实现高分割准确度；利用 ResNet-18 作为骨干网络并提出三个核心组件来弥补由于骨干网络较浅导致的模型容量不足；在三个基准数据集上进行了综合实验，结果表明我们的方法在速度和准确度之间达到了更好的平衡。

Feb, 2024

稀疏多基线合成孔径雷达跨模态车辆目标三维重建

我们提出了一个跨模态重建网络（CMR-Net），它通过将可微渲染和光学图像的交叉模态监督整合在一起，将高度稀疏的多基线 SAR 3D 目标图像重建为结构化和高分辨率的图像。该网络通过精心设计的网络架构和训练策略，能够在公开可用的仿真数据集和真实测量数据集上实现高分辨率的重建，优于基于压缩感知和其他基于学习的传统稀疏重建算法。此外，使用光学图像作为监督提供了一种经济高效的方式来构建训练数据集，降低了方法传播的难度。我们的工作展示了在多基线 SAR 3D 成像中深度学习的广泛前景，并为基于交叉模态学习理论的雷达成像研究提供了一条新的路径。

Jun, 2024

多尺度方向感知网络用于红外小目标检测

提出了一个多尺度方向感知网络（MSDA-Net），首次尝试将红外小目标的高频方向特征作为领域先验知识集成到神经网络中，并通过创新的多方向特征感知（MDFA）模块、多尺度局部关联学习（MLRL）模块、高频方向注入（HFDI）模块等进行完整的特征提取和定位。大量实验结果表明，MSDA-Net 在公共数据集 NUDT-SIRST、SIRST 和 IRSTD-1k 上实现了最新的最佳效果。

Jun, 2024