Key points are not available for this paper at this time.
La détection de navires joue un rôle crucial dans une variété d'applications militaires et civiles d'inspection maritime. Les images infrarouges sont des sources de données irremplaçables pour la détection de navires en raison de leur forte adaptabilité et de leur excellente capacité de reconnaissance tous temps. Cependant, les recherches précédentes se concentraient principalement sur la détection de navires en lumière visible ou par radar à synthèse d'ouverture (SAR), tandis que la détection de navires infrarouges reste dans un énorme angle mort. Les principaux obstacles à ce dilemme résident dans l'absence de jeux de données publics, la petite échelle et la mauvaise information sémantique des navires infrarouges, ainsi que le fort encombrement dans des environnements océaniques complexes. Pour relever ces défis, nous proposons un réseau de perception contextuelle piloté par la connaissance (KCPNet) et construisons un jeu de données public appelé jeu de données de détection de navires infrarouges (ISDD). Dans KCPNet, visant à lutter contre la petite échelle des navires infrarouges, un réseau de fusion de caractéristiques équilibrées (BFF-Net) est proposé pour équilibrer l'information provenant de toutes les couches fondamentales et générer des caractéristiques non locales avec des champs réceptifs équilibrés. De plus, considérant le rôle clé de l'information contextuelle, un réseau d'attention contextuelle (CA-Net) est conçu pour améliorer la robustesse dans des scènes complexes en renforçant l'information concernant la cible et le contexte, tout en supprimant l'encombrement. Inspirés par les connaissances antérieures des processus cognitifs humains, nous construisons une nouvelle tête de prédiction pilotée par la connaissance pour apprendre de manière autonome des caractéristiques visuelles et rétropropager les connaissances à travers tout le réseau, ce qui peut réduire efficacement les fausses alertes. Des expériences approfondies démontrent que le KCPNet proposé atteint des performances de pointe sur l'ISDD. Les codes sources et l'ISDD sont accessibles à https://github.com/yaqihan-9898.
Han et al. (Fri,) ont étudié cette question.