Category-Oriented Localization Distillation for SAR Object Detection and a Unified Benchmark
尽管合成孔径雷达(SAR)目标检测的研究取得了很大进展,但由于SAR成像机制的限制,SAR目标检测的性能遇到了瓶颈。在这项工作中,我们研究了如何在训练阶段通过从光学图像中提取类别知识来进行稳健的SAR目标检测。为此,我们提出了一种新的知识提取(KD)方法,称为面向类别的定位提取(CoLD),该方法以光学目标检测网络为教师来指导SAR目标检测网络。为了在定位知识传递中引入教师网络的类别先验知识,在CoLD中设计了一个面向类别的划分模块(CPM),根据光学图像中的类别信息将候选边界框解耦为目标边界框和非目标边界框。通过盒解耦,可以显著提高SAR目标检测的精度和效率。此外,在CoLD中引入了基于并集交集(IoU)的加权模块(IWM),通过基于教师网络中相应的IoU分数自适应地改变每个候选边界框的权重,来引导学生网络更加关注高质量的候选框。此外,还创建了一个统一的基准数据集,用于评估光学信息引导的SAR目标检测,该数据集由训练集中的14665个光学和SAR图像对和测试集中的3666个SAR图像组成。在数据集上进行的大量实验证明了我们的CoLD相对于最先进的方法的有效性。数据集位于:https://github.com/mmic-lcl/Datasets-and-benchmark-code。
IEEE Transactions on Geoscience and Remote Sensing
30 June 2023
OBB