基于掩模注意型交互的SAR舰船实例分割

现有合成孔径雷达(synthetic aperture radar, SAR)舰船实例分割方法未实现掩模交互或交互性能有限,导致检测精度较低。针对上述问题,提出了一种基于掩模注意型交互(mask attention interaction, MAI)的SAR舰船实例分割方法MAI-Net。首先,MAI-Net使用了膨胀空间金字塔池化,来获取多分辨率特征响应,增强了对背景的鉴别能力。其次,MAI-Net使用了非局部注意力模块来抑制低价值信息,实现了空间特征自注意。最后,MAI-Net提出了拼接混洗注意力模块来平衡不同特征图的贡献,进一步提高了实例分割精度。在公开的像素级多边形分割SAR舰船检测数据集(polygon segmentation SAR ship detection dataset, PSeg-SSDD)上的实验结果表明,MAI-Net的SAR舰船实例分割精度高于现有其他11种对比模型,实例分割精度达到61.1%,高于次优模型1.5%。     

基于锚框自适应和多尺度增强的SAR舰船检测

针对目前基于深度学习的合成孔径雷达(synthetic aperture radar, SAR)舰船检测锚框尺度固定、多尺度检测性能较差的问题,提出了一种基于锚框自适应和多尺度增强网络(adaptive anchor multi-scale enhancement network, AA-MSE-Net)的SAR舰船检测方法。首先,AA-MSE-Net引入了锚框自适应机制,来生成适应目标形态的高质量锚框,增强了舰船形态描述能力。其次,AA-MSE-Net提出了多尺度增强金字塔网络,来融合增强多尺度特征,增强了多尺度描述能力。最后,AA-MSE-Net在骨干网络中引入了可变形卷积,来提取舰船形变特征,进一步提高检测精度。实验证明,AA-MSE-Net在公开SAR舰船检测数据集上的平均精度高于8种对比方法。