针对SAR图像船舶检测任务在船舶组合和船舶融合场景下低检测精度的问题,提出了一种轻量化船舶检测算法——RGDET-Ship,有效提高了SAR图像在复杂场景下的船舶检测精度。该算法的创新点包括:①构建基于改进ResNet的基础主干网络,增强深浅...针对SAR图像船舶检测任务在船舶组合和船舶融合场景下低检测精度的问题,提出了一种轻量化船舶检测算法——RGDET-Ship,有效提高了SAR图像在复杂场景下的船舶检测精度。该算法的创新点包括:①构建基于改进ResNet的基础主干网络,增强深浅网络早特征融合,保留更丰富的有效特征图,并利用RegNet进行模型搜索得到一簇最优结构子网络RegNet and Early-Add(RGEA),实现模型的轻量化;②在FPN Neck基础上,结合EA-fusion策略设计出FPN and Early Add Fusion(FEAF)Neck网络,进一步加强深浅特征晚融合,提高中大船舶目标特征的提取;③通过细粒度分析改进RPN网络得到Two-RPN(TRPN)网络,提高模型的检测粒度和预测框准确性;④引入多任务损失函数——Cross Entropy Loss and Smooth L1 Loss(CE_S),包括分类任务和回归任务,进一步提升检测性能。通过在标准基准数据集SSDD上进行大量实验,验证了RGDET-Ship模型的有效性和健壮性。实验结果表明,相较于Faster RCNN和Cascade RCNN,RGDET-Ship在mAP_0.5:0.95上分别提升了5.6%和3.3%,在AR上分别提升了9.8%和7.6%。展开更多
文摘针对SAR图像船舶检测任务在船舶组合和船舶融合场景下低检测精度的问题,提出了一种轻量化船舶检测算法——RGDET-Ship,有效提高了SAR图像在复杂场景下的船舶检测精度。该算法的创新点包括:①构建基于改进ResNet的基础主干网络,增强深浅网络早特征融合,保留更丰富的有效特征图,并利用RegNet进行模型搜索得到一簇最优结构子网络RegNet and Early-Add(RGEA),实现模型的轻量化;②在FPN Neck基础上,结合EA-fusion策略设计出FPN and Early Add Fusion(FEAF)Neck网络,进一步加强深浅特征晚融合,提高中大船舶目标特征的提取;③通过细粒度分析改进RPN网络得到Two-RPN(TRPN)网络,提高模型的检测粒度和预测框准确性;④引入多任务损失函数——Cross Entropy Loss and Smooth L1 Loss(CE_S),包括分类任务和回归任务,进一步提升检测性能。通过在标准基准数据集SSDD上进行大量实验,验证了RGDET-Ship模型的有效性和健壮性。实验结果表明,相较于Faster RCNN和Cascade RCNN,RGDET-Ship在mAP_0.5:0.95上分别提升了5.6%和3.3%,在AR上分别提升了9.8%和7.6%。
