RSNet: A Light Framework for The Detection of Multi-scale Remote Sensing Targets

要約

深い学習を使用した合成開口レーダー（SAR）船の検出の最近の進歩により、精度と速度が大幅に向上しましたが、パラメーターが少ない複雑な背景の小さなオブジェクトを効果的に検出することは課題です。
この手紙では、SAR画像で船の検出を強化するために構築された軽量フレームワークであるRSNETを紹介します。
より少ないパラメーターで精度を確保するために、Waveletpool-Contextgided（WCG）をバックボーンとして提案し、複雑なシーンで効果的な検出のためにマルチスケールのウェーブレット機能を通じてグローバルなコンテキストの理解を導きました。
さらに、ウェーブレットプール – 整形（WSF）が首として導入され、ネットワーク幅を増やすことなく高次元の非線形特徴を実現するために、残留ウェーブレット要素ごとの乗算構造を使用します。
軽量共有（LS）モジュールは、軽量の共有畳み込み構造とマルチフォーマット互換性を通じて効率的な検出を実現するために、コンポーネントを検出するものとして設計されています。
SAR船の検出データセット（SSDD）および高解像度SAR画像データセット（HRSID）の実験は、RSNETが軽量設計と検出パフォーマンスの強いバランスを達成し、多くの最先端の検出器を上回り、72.5 \％に達することを示しています。
67.6 \％in
\ textbf {\（\ mathbf {map _ {。50：.95}} \）}は、それぞれ1.49mパラメーターを使用します。
私たちのコードはまもなくリリースされます。

要約(オリジナル)

Recent advancements in synthetic aperture radar (SAR) ship detection using deep learning have significantly improved accuracy and speed, yet effectively detecting small objects in complex backgrounds with fewer parameters remains a challenge. This letter introduces RSNet, a lightweight framework constructed to enhance ship detection in SAR imagery. To ensure accuracy with fewer parameters, we proposed Waveletpool-ContextGuided (WCG) as its backbone, guiding global context understanding through multi-scale wavelet features for effective detection in complex scenes. Additionally, Waveletpool-StarFusion (WSF) is introduced as the neck, employing a residual wavelet element-wise multiplication structure to achieve higher dimensional nonlinear features without increasing network width. The Lightweight-Shared (LS) module is designed as detect components to achieve efficient detection through lightweight shared convolutional structure and multi-format compatibility. Experiments on the SAR Ship Detection Dataset (SSDD) and High-Resolution SAR Image Dataset (HRSID) demonstrate that RSNet achieves a strong balance between lightweight design and detection performance, surpassing many state-of-the-art detectors, reaching 72.5\% and 67.6\% in \textbf{\(\mathbf{mAP_{.50:.95}}\) }respectively with 1.49M parameters. Our code will be released soon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google