【TGRS】Ship Detection in Large-Scale SAR Images Via Spatial Shuffle-Group Enhance Attention译读笔记

论文信息

Ship Detection in Large-Scale SAR Images Via Spatial Shuffle-Group Enhance Attention

摘要

使用SAR进行舰船目标检测在军用和民用领域具有十分重要的应用。然而，舰船目标很难与周围的背景区分开来，并且许多虚警是由于陆地区域的影响而产生的。舰船检测中经常发生虚警是因为大尺度SAR图像中多数区域都被当作是背景和杂波，而船舶目标被认为是分布不均匀的小目标。为了解决这些问题，本文提出了一种使用CenterNet针对大尺度SAR图像的舰船检测方法。作为一种Anchor-Free方法，CenterNet将目标定义为一个点，通过关键点估计定位目标的中心点，于是能够有效地避免小目标的漏检。与此同时，Spatial-Shuffle-Group-Enhance（SSE）注意力模块被应用于CenterNet模型中。通过SSE模块，可以提取更强的语义特征，并且抑制噪声，以减少由近海和内陆干扰引起的FP（false positive）。在公开SAR舰船数据集进行的实验显示提出的方法能够无漏检地检测所有的目标，包括密集停靠的舰船目标。对于哨兵1号获取的大尺度SAR图像中的舰船目标，所提出的方法能以高精度检测出近岸和海域中的目标，超越了Faster-RCNN、SSD、YOLO、FPN以及它们的变体方法。

1 引言

SAR的独特优势在于其不受到天时或者其它恶劣天气的限制。舰船检测在SAR图像数据十分重要的应用，在军用和民用领域都发挥着关键的作用。如今，国际上已经使用了许多机载和星载SAR成像技术，获得了越来越多的高质量和大尺度的区域数据【1_2019SqueezeSEShip, 2_2005ShipSAR】。因此，大尺度图像下的舰船目标检测成为了一项尤为重要的经典任务【3_2018AutomaticShipDectection, 4_2012BuildingDevelepment】。
  传统的SAR舰船检测算法主要分成三个阶段：区域选择、特征提取和分类【5_2018DetectionDiscrimination】。区域选择的主要目的是找出多个目标所在的大致方位。特征提取在区域选择的基础上提取分类特征从而能准确地表示目标区域，是目标检测的核心。常用的特征包括SIFT【6_2015SARSIFT】和HOG【7_2013CFARDectection】。这些方法需要使用灰度值、尺度大小或者其它特性来手工的设计特征和分类器。这些调整在近岸区域的舰船检测中表现乏力，并且难以排除误报，例如：冰山和岛屿。与此同时，同时，需要针对不同场景进行重新建模，并且检测效率低而误报率高【8_2017ShipDectecion】。除此之外，SAR图像中的散斑噪声和运动模糊可能会造成舰船目标之间不必要的差异性，给传统的SAR舰船检测带来困难【9_2017HierarchicalSaliency】。如今，Constant-False-Alarm-Rate（CFAR）检测算法是SAR舰船检测研究中使用最为广泛且高效的检测方法。然而，CFAR算法受统计背景区域的影响较大。通常来说，增加统计背景区域可提高描述子的准确性，但是这样会导致但这可能会导致更大的背景杂波变化并且增加误报率【10_2015BilateralCFAR】。因此，使用针对大尺度SAR图像的传统检测方法解决舰船目标检测问题是较为困难的【11_2017IntensityDomain】。