基于空间语义增强与特征重建的红外遥感小型船舶目标检测方法

《Journal of Visual Communication and Image Representation》:Infrared remote sensing small ship target detection method based on spatial-semantic enhancement and feature reconstruction neck

【字体: 大 中 小 】 时间:2025年12月20日 来源:Journal of Visual Communication and Image Representation 2.8

编辑推荐:

  范凤林|李朝峰|关土新中国上海海事大学物流科学与工程研究所,邮编201306摘要本文提出一种创新的红外遥感小船目标检测网络,该网络结合了空间语义增强与特征重构结构。空间语义增强模块旨在选择性增强主干网络中的各种信息,有效解决误报问题。它采用无参数注意力机制来提升浅层特征图的位置信

  
范凤林|李朝峰|关土新
中国上海海事大学物流科学与工程研究所,邮编201306

摘要

本文提出一种创新的红外遥感小船目标检测网络,该网络结合了空间语义增强与特征重构结构。空间语义增强模块旨在选择性增强主干网络中的各种信息,有效解决误报问题。它采用无参数注意力机制来提升浅层特征图的位置信息,同时利用动态扩张卷积来捕获深层特征图中的上下文信息。此外,特征重构结构分别在空间和通道维度上整合多尺度特征图,并通过注意力相邻层连接来减少漏检情况。为进一步提升检测能力,我们还设计了基于DINO解码器的红外船舶检测头部,同时考虑了红外小目标的尺寸特性。在公共红外船舶检测数据集(ISDD)上的实验结果表明,我们的方法在定性和定量方面均优于其他一些最先进的方法。

引言

航天遥感图像检测技术的进步极大地提升了遥感船舶检测在各个领域的应用,包括海上交通管理、海上救援行动以及军事安全领域[1]。这项任务主要依赖三种类型的数据:可见光图像、合成孔径雷达图像以及红外图像。其中,红外成像因其出色的隐蔽能力和对光照变化的较低敏感性而具有独特优势。因此,研究基于红外的船舶检测方法具有重要的实际意义。
如图1所示,在复杂场景中,红外小船目标常常因误报而影响检测精度和稳定性。例如,第一列中的海岸线结构常被误判为停泊的船只,而第二列中类似船只的云朵和岛屿也会引发错误检测。第三列中的较小船舶目标往往缺乏明显的视觉特征,从而增加了被忽视的风险。云朵及其阴影的存在进一步加剧了检测难度,因为它们会部分遮挡船舶。因此,亟需建立一种新的框架,用于红外遥感小船目标检测,以更好地提取目标特征信息,并在各个层次上有效整合特征,从而提高模型在各种复杂环境中的稳定性。
目前的红外小目标检测方法大致可分为两类:基于模型的方法和基于数据的方法。前者依赖于对目标属性的分析,以获得先验知识、合理假设以及手动定义的超参数[2],包括基于过滤的方法[3]、[4]、受视觉启发的技术[5]、[6]以及低秩分解策略[7]、[8]。过滤方法擅长抑制均匀的背景元素,而受视觉启发的方法则认为目标的可见性取决于其周围环境的对比度。低秩技术则将检测视为稀疏张量分解问题。然而,这些方法通常依赖于手工设计的特征,且仅在高信噪比的红外图像中才能表现出良好性能。在目标尺寸和形状变化较大、信噪比较低或背景复杂的场景中,这些方法往往难以发挥作用[9]。
相比之下,基于数据的方法能够充分利用深度学习技术,在统一框架内从大规模数据集中自动提取具有区分度的特征[10]、[11],从而提升红外小目标检测的性能[12]、[13]。基于数据的方法可分为三类。第一类采用通用的物体检测框架[14]、[15];第二类包括基于分割的技术[16]、[17]、[18],这类技术通过像素级分割来实现对小目标的高精度检测;第三类则利用生成对抗网络[19],通过对抗训练来平衡误报和漏检问题,进而提高检测精度。尽管这些方法在网络性能上取得了进展,但仍然存在一些挑战,比如深度目标特征的丢失、在复杂红外场景中缺乏足够的稳定性,以及多级特征整合效果不佳等问题。
为了解决上述问题,本文提出了一种空间语义增强与特征重构结构网络(SEFRNN)。该框架首先采用CSPDarknet作为主干网络,从红外图像中提取多尺度特征图。鉴于不同尺度特征所携带的信息各异,我们设计了空间语义增强模块来优化主干网络的输出。具体而言,浅层空间特征增强模块(SSEM)采用了无参数注意力机制,以强化关键的空间线索并保留精细的细节信息;而深层语义特征增强模块(DSEM)则通过动态调整的扩张卷积来平衡感受野大小与特征带宽,从而在复杂环境中增强上下文表征并抑制噪声。特征聚合结构则包含了三个创新组件:多尺度特征融合模块(MSFM)通过跨尺度全局语义整合来提升对尺度变化的适应性;三重跨层融合模块(TCFM)则增强了高层语义与低层细节之间的相互作用,同时保留了目标的细微特征;注意力相邻层连接(AAC)则替代了传统的连接方式,以减少信息损失。最后,针对红外遥感图像中船舶目标的特点,我们在检测头部引入了P2特征层,并结合DINO解码器,构建了专门的红外目标检测头部。该方法的主要贡献如下:
  • •
    本文提出了一种用于红外遥感小船目标检测的空间语义增强与特征重构结构网络。通过在特征提取阶段加入空间语义增强模块,并设计多个模块来重构网络结构,该方法有效解决了该领域中普遍存在的误报和漏检问题,提升了船舶检测性能。
  • •
    在特征提取阶段,空间语义增强模块会根据主干网络中浅层和深层特征图所包含信息的差异,有选择地增强相应特征。空间增强模块采用无参数注意力机制来强化浅层特征图的位置信息,而语义增强模块则通过具有动态扩张率的扩张卷积来提升深层特征图中目标与背景的区分度。
  • •
    我们通过整合三个融合模块来重构网络结构。这些模块通过在深度方向上堆叠特征图、在通道方向上进行连接以及替换特征连接方式,从而保留了红外目标中的细微特征。这种经过特征重构的网络结构克服了传统特征金字塔网络(FPN)的局限性,后者仅依靠简单的求和与连接操作,无法充分利用金字塔特征图之间的相互关系。
本文的其余部分结构如下:第2节回顾了相关研究进展;第3节详细描述了所提出方法的各个组成部分;第4节介绍了实验设置,并展示了消融实验和对比实验的结果;最后,第5节总结了本文的研究结论。

章节要点

基于模型的方法

早期用于红外小目标检测的方法主要依赖于非深度学习技术,可归纳为三类:受人类视觉系统启发的方法、基于背景抑制的方法以及基于图像数据结构的方法。受人类视觉系统启发的方法模拟视觉感知机制来突出显著区域,例如局部对比度指标(LCM)[5]、多尺度局部对比度指标(MLCM)[20]以及相对局部对比度等。

概述

在本研究中,我们提出了SEFRNN,这是一种用于红外遥感小船目标检测的新颖网络,旨在解决由于目标干扰和复杂环境条件导致的误报和漏检问题。该网络的总体架构如图2所示。该网络以红外图像作为输入,采用CSPDarkNet作为主干网络,从而在多个尺度(F2–F5)上提取分层特征表示。其输出结果为……

实验

本节首先详细介绍了实验设置,包括实验环境、超参数配置以及评估标准。接着,我们对基准方法进行了消融分析。随后,将我们提出的网络与现有的最先进方法进行了性能比较。之后,又通过消融实验来评估各项提出的组件的作用。最后,对本研究的局限性进行了讨论。

结论

在本文中,我们提出了SEFRNN,这是一种专为红外遥感小船目标检测设计的新网络,旨在提升在复杂卫星红外感应条件下的检测性能。首先,我们引入了一种空间语义特征增强方法,以加强主干网络中的特征提取能力。该方法的核心是一种无参数注意力机制,它能强化浅层特征图中目标的位置信息,从而……

CRediT作者贡献说明

范凤林:撰写——初稿、方法论、数据整理。李朝峰:撰写——审阅与编辑、指导、方法论。关土新:撰写——审阅与编辑。

利益冲突声明

作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢

我们感谢中国国家自然科学基金的资助(编号:62572293、62176150)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号