A Mask Attention Interaction and Scale Enhancement Network for SAR Ship Instance Segmentation

要約

既存の合成開口レーダー(SAR)船のインスタンスセグメンテーションモデルのほとんどは、マスクの相互作用を実現していないか、限られた相互作用のパフォーマンスを提供します。
その上、それらのマルチスケール船インスタンスセグメンテーションパフォーマンスは、特に小型船では中程度です。
これらの問題を解決するために、SAR船インスタンスセグメンテーションのためのマスク注意相互作用とスケール拡張ネットワーク(MAI-SE-Net)を提案します。
MAIは、大規模な空間ピラミッドプーリング(ASPP)を使用してマルチ解像度機能の応答を取得し、非ローカルブロック(NLB)を使用して長距離空間依存関係をモデル化し、連結シャッフルアテンションブロック(CSAB)を使用して
相互作用のメリットを向上させます。
SEは、コンテンツ対応の機能ブロック(CARAFEB)を使用して、小型船のパフォーマンスを向上させる追加のピラミッドボトムレベルを生成し、機能バランス操作(FBO)を使用してスケール機能の説明を改善し、グローバルコンテキストブロック(GCB)を使用して改良します。
特徴。
2つのパブリックSSDDおよびHRSIDデータセットでの実験結果は、MAI-SE-Netが他の9つの競合モデルよりも優れており、SSDDで4.7%の検出APと3.4%のセグメンテーションAP、3.0%の検出APと2.4で次善のモデルよりも優れていることを示しています。
HRSIDの%セグメンテーションAP。

要約(オリジナル)

Most of existing synthetic aperture radar (SAR) ship in-stance segmentation models do not achieve mask interac-tion or offer limited interaction performance. Besides, their multi-scale ship instance segmentation performance is moderate especially for small ships. To solve these problems, we propose a mask attention interaction and scale enhancement network (MAI-SE-Net) for SAR ship instance segmentation. MAI uses an atrous spatial pyra-mid pooling (ASPP) to gain multi-resolution feature re-sponses, a non-local block (NLB) to model long-range spa-tial dependencies, and a concatenation shuffle attention block (CSAB) to improve interaction benefits. SE uses a content-aware reassembly of features block (CARAFEB) to generate an extra pyramid bottom-level to boost small ship performance, a feature balance operation (FBO) to improve scale feature description, and a global context block (GCB) to refine features. Experimental results on two public SSDD and HRSID datasets reveal that MAI-SE-Net outperforms the other nine competitive models, better than the suboptimal model by 4.7% detec-tion AP and 3.4% segmentation AP on SSDD and by 3.0% detection AP and 2.4% segmentation AP on HRSID.

arxiv情報

著者 Tianwen Zhang,Xiaoling Zhang
発行日 2022-07-08 14:04:04+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク