Accepted By IEEE GRSL
原论文:https://arxiv.org/pdf/2404.03595.pdf
代码已开源:https://github.com/JoyeZLearning/DiffDet4SAR
摘要:
SAR图像中飞机目标的离散散射点和严重的背景杂波干扰使得飞机目标检测具有挑战性。目前,基于卷积或基于transformer范式的方法不能充分解决这些问题。本文首次探索了用于SAR图像飞机目标检测的扩散模型,并提出了一种新的基于扩散的SAR图像飞机目标检测网络(DiffDet4SAR)。DiffDet4SAR将SAR飞机目标检测任务映射为包围盒的去噪扩散过程,无需启发式锚框尺寸选择,有效地适应了飞机尺寸的大变化;2)专门设计的散射特征增强(SFE)模块进一步降低了杂波强度,增强了推理过程中的目标显著性。在SARAIRcraft-1.0数据集上的大量实验结果表明,DiffDet4SAR获得了88.4%的mAP50,比目前最好的方法提高了6%。
引言:
与车辆、舰船等目标相比,飞机目标复杂的结构和散射机制给精确检测带来了重大挑战。
1)飞机目标尺寸的多样性:在SAR图像中,不同类型的飞机目标和不同分辨率的图像会导致目标尺寸的变化。这种多尺寸目标问题在使用固定感受野技术进行特征提取时产生了几个问题。随着网络的加深,尺寸较小或后向散射信息较弱的飞机目标容易被遗漏。
2)离散散射点:飞机目标的散射特性是离散的、不连续的。不完整的结构和组件之间的弱相关性使得检测器难以实现准确的预测。
3)复杂场景和强背景干扰:在现实场景中,飞行器周围的建筑物、车辆和某些金属结构表现出与飞行器目标相似的强散射特性,使得目标检测具有足够的准确性。
主要是受到论文
创新点:
(1)本文提出了一项将扩散模型引入SAR目标检测的第一项研究,提供了一个新的、高度简单但有效的框架,称为DiffDet4SAR,为SAR目标检测量身定制。
(2)提出的DiffDet4SAR基于两个核心设计。首先,将SAR目标检测问题转换为一个从噪声边界框到精确目标边界框的去噪扩散过程。其次,设计了一种散射特征增强(SFE)模块,降低背景杂波强度和增强目标显著性来缓解飞机目标离散散射点和严重背景干扰问题。
(3)通过耦合这两种设计,DiffDet4SAR在SAR-AIRcraft-1.0数据集上的性能显著优于现有技术。
文章架构图
数据集
SARAIRcraft-1.0
该数据集包含四个不同的尺度:800×800、1000×1000、1200×1200和1500×1500。数据集中的飞机目标具有广泛的尺寸分布。一些目标尺寸小于50×50,而另一些则超过100×100。具体飞机目标类别包括A220、A320/321、A330、ARJ21、Boeing737、Boeing787,other等。other表示不属于所定义的6个类别的实例。
实验结果展示
mAP50
mAP75
散射特征增强模块SFE module效果可视化
作者还做了关于scale signal系数对检测效果的影响,以及在训练和测试阶段随机生成的框的个数对检测结果的影响。
结论
本文提出了一种基于扩散模型的SAR图像飞机目标检测网络DiffDet4SAR,首次将扩散模型引入SAR目标检测领域。将飞机目标检测制定为边界框位置和大小的空间生成任务。此外,针对飞机目标散乱点的离散性和强背景干扰,设计了SFE模块来捕获纹理细节和语义信息,以增强目标显著性和抑制背景杂波。实验结果验证了DiffDet4SAR方法的有效性。