Key points are not available for this paper at this time.
Mit der rasanten Entwicklung der modernen Welt ist es unerlässlich, eine effektive und effiziente Überwachung von Gebieten von Interesse zu erreichen, insbesondere im großen ozeanischen Bereich. Für die Überwachung von Schiffs-Zielen auf See ist ein gängiger und leistungsstarker Ansatz die Nutzung von Satelliten-Synthese-Array-Radar (SAR)-Systemen. Derzeit ist die Verwendung von Satelliten-SAR-Bildern zur Schiffs-Klassifizierung aufgrund komplexer Meeresbedingungen und der Bildvariationen von Schiffen ein herausforderndes Thema. Glücklicherweise hat das Aufkommen fortschrittlicher Satelliten-SAR-Sensoren viel Licht auf die automatische Zielerkennung (ATR) von SAR-Schiffen geworfen, z.B. durch die Nutzung von dualer Polarisation (dual-pol) Informationen zur Verbesserung der Leistung der SAR-Schiffs-Klassifizierung. Daher haben wir in diesem Papier ein neuartiges cross-polarem Interaktionsnetzwerk (CPINet) entwickelt, um die reichhaltigen Polarationsinformationen von dual-pol SAR-Bildern mithilfe von Deep-Learning-Strategien zu erforschen, was zu einer effektiven Lösung für die Hochleistungs-Schiffs-Klassifizierung führt. Zuerst haben wir einen neuartigen multiskalaren Deep-Feature-Extraktionsrahmen etabliert, um die Eigenschaften von dual-pol SAR-Bildern in grober bis feiner Weise vollständig zu analysieren. Zweitens schlagen wir, um die komplementären Informationen der dual-pol SAR-Bilder weiter zu nutzen, einen gemischten Ordnung squeeze–excitation (MO-SE) Aufmerksamkeitsmechanismus vor, bei dem die ersten und zweiten Ordnungsstatistiken der tiefen Merkmale aus einem einzelnen polarisierten SAR-Bild extrahiert werden, um das Lernen eines anderen polarisierten Bildes zu leiten. Dann werden die intermediären multiskalen fusionierten und MO-SE angereicherten dual-polaren tiefen Merkmalskarten jeweils durch die faktorisierten bilinearen Codierung (FBC) Pooling-Methode aggregiert. In der Zwischenzeit werden die letzten multiskalen fusionierten tiefen Merkmalskarten für jedes einzelne polarisierte SAR-Bild ebenfalls einzeln durch die FBC aggregiert. Schließlich werden vier Arten von hochdiskriminierenden tiefen Darstellungen für die Verlustberechnung und die Kategorienvorhersage erhalten. Für ein besseres Netzwerktraining wird die Gradienten-Normalisierung (GradNorm) Methode für Multitask-Netzwerke erweitert, um den Beitrag jeder Verlustkomponente adaptiv auszugleichen. Umfassende Experimente mit dem drei- und fünfkategorischen dual-pol SAR-Schiffs-Klassifizierungsdatensatz, der aus der offenen und kostenlosen OpenSARShip-Datenbank gesammelt wurde, demonstrieren die Überlegenheit und Robustheit von CPINet im Vergleich zu modernen Methoden für die dual-polare SAR-Schiffs-Klassifizierungsaufgabe.
He et al. (Thu,) untersuchten diese Frage.