A-BFPN: Una Red de Pirámide de Características Balanceada Guiada por Atención para la Detección de Barcos en SAR

Gracias a las excelentes capacidades de representación de características de las redes neuronales, los métodos de detección de objetivos basados en aprendizaje profundo se aplican ampliamente ahora en la detección de barcos por radar de apertura sintética (SAR). Sin embargo, la variación multiescala, los objetivos pequeños con un fondo complejo como islas, desorden marino e instalaciones en tierra en las imágenes de SAR aumentan la dificultad para la detección de barcos en SAR. Para aumentar el rendimiento de detección, en este artículo se propone una nueva red de aprendizaje profundo para la detección de barcos en SAR, denominada red de pirámide de características balanceada guiada por atención (A-BFPN), que busca explotar mejor las características semánticas y multivalentes complementarias, y que consta de los siguientes dos pasos principales. Primero, con el fin de reducir las interferencias de fondos complejos, se desarrolla el módulo de refinamiento mejorado (ERM) para permitir que el BFPN aprenda las características de dependencia desde las dimensiones de canal y espacio, respectivamente, lo que mejora la representación de los objetos de barco. En segundo lugar, se diseñó el modelo de red de fusión guiada por atención de canal (CAFN) para obtener características multiescala optimizadas y reducir los serios efectos de aliasing en los mapas de características híbridos. Finalmente, ilustramos la efectividad del método propuesto, adoptando el conjunto de datos existente de detección de barcos en SAR (SSDD) y el conjunto de datos de detección de barcos en SAR a gran escala-v1.0 (LS-SSDD-v1.0). Los resultados experimentales muestran que el método propuesto es superior a los algoritmos existentes, especialmente para objetivos de barcos pequeños multiescala en un fondo complejo.