Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Khung học trái ngược dựa trên vùng bảo tồn ngữ cảnh cho việc phát hiện tàu trong hình ảnh SAR
Tóm tắt
Việc phát hiện tàu trong Radar khẩu độ tổng hợp (SAR) là một nhiệm vụ khó khăn do sự định hướng ngẫu nhiên của tàu và diện mạo rời rạc gây ra bởi tín hiệu radar. Trong bài báo này, chúng tôi giới thiệu một khung chuyển giao miền không giám sát mới cho việc phát hiện tàu trong hình ảnh SAR bằng cách áp dụng học trái ngược dựa trên vùng bảo tồn ngữ cảnh. Chúng tôi nâng cao khả năng phát hiện tàu trong SAR bằng cách học hỏi kiến thức từ cả miền hình ảnh quang học từ xa có nhãn và miền hình ảnh SAR không có nhãn. Ngoài ra, chúng tôi đề xuất một mạng tạo đặc trưng giả để tạo ra các mẫu miền giả nhằm tăng cường các đặc trưng giả. Cụ thể, chúng tôi tinh chỉnh các đặc trưng giả bằng cách tính toán tổn thất trái ngược dựa trên vùng trên các đặc trưng được trích xuất từ vùng đối tượng và vùng nền để nắm bắt thông tin ngữ cảnh cho việc phát hiện tàu trong SAR. Các thí nghiệm và hình ảnh trực quan sâu rộng cho thấy phương pháp của chúng tôi có thể vượt trội hơn so với các phương pháp hàng đầu và có hiệu suất tổng quát tốt.
Từ khóa
#Phát hiện tàu #Radar khẩu độ tổng hợp (SAR) #Học trái ngược #Chuyển giao miền không giám sát #Tạo đặc trưng giả.Tài liệu tham khảo
Du, L., Li, L., Wei, D., & Mao, J. (2019). Saliency-guided single shot multibox detector for target detection in sar images. IEEE Transactions on Geoscience and Remote Sensing, 58, 3366–3376.
Jiao, J., Zhang, Y., Sun, H., Yang, X., Gao, X., Hong, W., et al. (2018). A densely connected end-to-end neural network for multiscale and multiscene sar ship detection. IEEE Access, 6, 20881–20892.
Bao, W., Huang, M., Zhang, Y., Xu, Y., Liu, X., & Xiang, X. (2021). Boosting ship detection in sar images with complementary pretraining techniques. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 8941–8954.
Shrivastava, A., Pfister, T., Tuzel, O., Susskind, J., Wang, W., & Webb, R. (2017). Learning from simulated and unsupervised images through adversarial training. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 2107–2116).
Chen, Y., Li, W., Sakaridis, C., Dai, D., & Van Gool, L. (2018). Domain adaptive faster r-cnn for object detection in the wild. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 3339–3348).
Wang, X., Cai, Z., Gao, D., & Vasconcelos, N. (2019b). Towards universal object detection by domain attention. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 7289–7298).
Lou, X., & Wang, H. (2021). Object detection in sar via generative knowledge transfer. In 2021 IEEE 31st International Workshop on Machine Learning for Signal Processing (MLSP) (pp. 1–6). IEEE.
Wackerman, C. C., Friedman, K. S., Pichel, W. G., Clemente-Colón, P., & Li, X. (2001). Automatic detection of ships in radarsat-1 sar imagery. Canadian journal of remote sensing, 27, 568–577.
Wang, C., Bi, F., Zhang, W., & Chen, L. (2017). An intensity-space domain cfar method for ship detection in hr sar images. IEEE Geoscience and Remote Sensing Letters, 14, 529–533.
Zhao, Z., Ji, K., Xing, X., Zou, H., & Zhou, S. (2014). Ship surveillance by integration of space-borne sar and ais-review of current research. The Journal of Navigation, 67, 177–189.
Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 580–587).
Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster r-cnn: Towards real-time object detection with region proposal networks. IEEE Transactions on Pattern Analysis & Machine Intelligence, 39, 1137–1149.
He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask r-cnn. In Proceedings of the IEEE international conference on computer vision (pp. 2961–2969).
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). Ssd: Single shot multibox detector. In European conference on computer vision (pp. 21–37). Springer.
Lin, T.-Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017b). Focal loss for dense object detection. In Proceedings of the IEEE International Conference on Computer Vision (pp. 2980–2988).
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 779–788).
Lin, Z., Ji, K., Leng, X., & Kuang, G. (2018). Squeeze and excitation rank faster r-cnn for ship detection in sar images. IEEE Geoscience and Remote Sensing Letters, 16, 751–755.
He, Z., & Zhang, L. (2019). Multi-adversarial faster-rcnn for unrestricted object detection. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 6668–6677).
Saito, K., Ushiku, Y., Harada, T., & Saenko, K. (2019). Strong-weak distribution alignment for adaptive object detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 6956–6965).
Wang, T., Zhang, X., Yuan, L., & Feng, J. (2019a). Few-shot adaptive faster r-cnn. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 7173–7182).
Yao, X., Zhao, S., Xu, P., & Yang, J. (2021). Multi-source domain adaptation for object detection. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 3273–3282).
Yang, S., Wu, L., Wiliem, A., & Lovell, B. C. (2020a). Unsupervised domain adaptive object detection using forward-backward cyclic adaptation. In Proceedings of the Asian Conference on Computer Vision.
Zhu, X., Pang, J., Yang, C., Shi, J., & Lin, D. (2019). Adapting object detectors via selective cross-domain alignment. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 687–696).
Yang, S., Wu, L., Wiliem, A., & Lovell, B. C. (2020b). Unsupervised domain adaptive object detection using forward-backward cyclic adaptation. In Proceedings of the Asian Conference on Computer Vision.
Jaiswal, A., Babu, A. R., Zadeh, M. Z., Banerjee, D., & Makedon, F. (2021). A survey on contrastive self-supervised learning. Technologies, 9, 2.
Wang, X., Zhang, R., Shen, C., Kong, T., & Li, L. (2021). Dense contrastive learning for self-supervised visual pre-training. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 3024–3033).
He, K., Fan, H., Wu, Y., Xie, S., & Girshick, R. (2020). Momentum contrast for unsupervised visual representation learning. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 9729–9738).
Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A simple framework for contrastive learning of visual representations. In International Conference on Machine Learning (pp. 1597–1607). PMLR.
Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020). Yolov4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934
Lin, T. Y., Dollar, P., Girshick, R., He, K., Hariharan, B., & Belongie, S. (2017a). Feature pyramid networks for object detection. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Liu, S., Qi, L., Qin, H., Shi, J., & Jia, J. (2018). Path aggregation network for instance segmentation. IEEE.
Glenn, J. yolov5. https://github.com/ultralytics/yolov5
Wang, X., & Qi, G.-J. (2021). Contrastive learning with stronger augmentations. arXiv preprint arXiv:2104.07713.
Han, Z., Fu, Z., Chen, S., & Yang, J. (2021). Contrastive embedding for generalized zero-shot learning. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 2371–2381).
Zheng, Z., Wang, P., Liu, W., Li, J., Ye, R., & Ren, D. (2020). Distance-iou loss: Faster and better learning for bounding box regression. In Proceedings of the AAAI Conference on Artificial Intelligence (pp. 12993–13000). volume 34.
Sun, X., Wang, Z., Sun, Y., et al. (2019). Air-sarship-1.0: High-resolution sar ship detection dataset. Journal of Radars, 8, 852–863.
Wei, S., Zeng, X., Qu, Q., Wang, M., Su, H., & Shi, J. (2020). Hrsid: A high-resolution sar images dataset for ship detection and instance segmentation. Ieee Access, 8, 120234–120254.
Li, K., Wan, G., Cheng, G., Meng, L., & Han, J. (2020). Object detection in optical remote sensing images: A survey and a new benchmark. ISPRS Journal of Photogrammetry and Remote Sensing, 159, 296–307.
Li, J., Qu, C., & Shao, J. (2017). Ship detection in sar images based on an improved faster r-cnn. In 2017 SAR in Big Data Era: Models, Methods and Applications (BIGSARDATA) (pp. 1–6). IEEE.
Xu, C.-D., Zhao, X.-R., Jin, X., & Wei, X.-S. (2020). Exploring categorical regularization for domain adaptive object detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 11724–11733).