論文の概要: Scene-aware SAR ship detection guided by unsupervised sea-land segmentation

• arxiv url: http://arxiv.org/abs/2506.12775v1
• Date: Sun, 15 Jun 2025 08:57:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.813583
• Title: Scene-aware SAR ship detection guided by unsupervised sea-land segmentation
• Title（参考訳）: 教師なし海陸分断によるSAR船の検出
• Authors: Han Ke, Xiao Ke, Ye Yan, Rui Liu, Jinpeng Yang, Tianwen Zhang, Xu Zhan, Xiaowo Xu,
• Abstract要約: そこで本研究では,未管理の陸域分割に基づくシーン認識型SAR船舶検出手法を提案する。 我々は,非監督型陸海分断モジュール (ULSM) とランドアテンション抑制モジュール (LASM) の2つのモデルを用いている。 ULSMとLASMは、ネットワークを適応的に誘導し、シーンの種類に応じて土地への注意を減らすことができる。 LASMは、陸域分割情報を事前知識として使用し、ネットワークの陸域への注意を減らす。
• 参考スコア（独自算出の注目度）: 9.17080068409937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: DL based Synthetic Aperture Radar (SAR) ship detection has tremendous advantages in numerous areas. However, it still faces some problems, such as the lack of prior knowledge, which seriously affects detection accuracy. In order to solve this problem, we propose a scene-aware SAR ship detection method based on unsupervised sea-land segmentation. This method follows a classical two-stage framework and is enhanced by two models: the unsupervised land and sea segmentation module (ULSM) and the land attention suppression module (LASM). ULSM and LASM can adaptively guide the network to reduce attention on land according to the type of scenes (inshore scene and offshore scene) and add prior knowledge (sea land segmentation information) to the network, thereby reducing the network's attention to land directly and enhancing offshore detection performance relatively. This increases the accuracy of ship detection and enhances the interpretability of the model. Specifically, in consideration of the lack of land sea segmentation labels in existing deep learning-based SAR ship detection datasets, ULSM uses an unsupervised approach to classify the input data scene into inshore and offshore types and performs sea-land segmentation for inshore scenes. LASM uses the sea-land segmentation information as prior knowledge to reduce the network's attention to land. We conducted our experiments using the publicly available SSDD dataset, which demonstrated the effectiveness of our network.
• Abstract（参考訳）: DLをベースとしたSAR(Synthetic Aperture Radar)の船舶検出は多くの分野で大きな利点がある。 しかし、検出精度に深刻な影響を与える事前知識の欠如など、いくつかの問題に直面している。 そこで本研究では,未管理の陸域セグメンテーションに基づくシーン認識型SAR船舶検出手法を提案する。 この手法は古典的な2段階の枠組みを踏襲し、非監督型陸海分断モジュール (ULSM) とランドアテンション抑制モジュール (LASM) の2つのモデルによって強化されている。 ULSMとLASMは、ネットワークを適応的に誘導し、シーンの種類(海岸シーンとオフショアシーン)に応じて土地への注意を減らし、ネットワークに事前知識(陸域分割情報)を追加することにより、直接陸への注意を減らし、オフショア検出性能を相対的に向上させることができる。 これにより、船舶検出の精度が向上し、モデルの解釈可能性も向上する。 具体的には、既存の深層学習に基づくSAR船舶検出データセットに陸域セグメンテーションラベルがないことを考慮して、ULSMは、入力データシーンを海岸および沖合タイプに分類し、海岸シーンの陸域セグメンテーションを行うために教師なしアプローチを用いている。 LASMは、陸域分割情報を事前知識として使用し、ネットワークの陸域への注意を減らす。 ネットワークの有効性を実証したSSDDデータセットを用いて実験を行った。

関連論文リスト

• A Computer Vision Approach to Estimate the Localized Sea State [45.498315114762484]
  本研究は, 船橋に設置した静止カメラ1台が捉えた運用用封筒内の海像の活用に焦点を当てた。 収集した画像は、深層学習モデルを訓練し、ビューフォートスケールに基づいて海の状態を自動的に認識する。
  論文  参考訳（メタデータ） (2024-07-04T09:07:25Z)
• Learning of Sea Surface Height Interpolation from Multi-variate Simulated Satellite Observations [0.0]
  我々は、このデータに基づいてAttention-Based-Decoderディープラーニングネットワーク(textscabed)をトレーニングする。 SST情報の有無にかかわらず、教師付きまたは教師なしの損失関数を用いて、AbeD再建の評価を行った。 オーシャンデータチャレンジ2021の実際のSSH観測から、この学習戦略とSSTの併用により、OIと比較してルート平均2乗誤差が24%減少することがわかった。
  論文  参考訳（メタデータ） (2023-10-11T16:09:09Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• Automatized marine vessel monitoring from sentinel-1 data using convolution neural network [0.0]
  本稿では,ウェーブレット変換に基づく畳み込みニューラルネットワークによるSAR画像からの物体認識手法を提案する。 Sentinel-1 SAR-Cによるインド西部沿岸域の二重分極データ取得を含む。
  論文  参考訳（メタデータ） (2023-04-23T18:09:44Z)
• Cross-Geography Generalization of Machine Learning Methods for Classification of Flooded Regions in Aerial Images [3.9921541182631253]
  本研究は,UAV空中画像中の浸水領域を特定するための2つのアプローチを提案する。 最初のアプローチは、テクスチャベースの教師なしセグメンテーションを使用して、浸水した地域を検出する。 2つ目は、テクスチャ機能に人工ニューラルネットワークを使用して、画像が浸水して浮かばないものとして分類する。
  論文  参考訳（メタデータ） (2022-10-04T13:11:44Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• LSENet: Location and Seasonality Enhanced Network for Multi-Class Ocean Front Detection [22.86716538369453]
  海洋前線は栄養素の蓄積を引き起こし、水中の音の伝搬に影響を与える可能性がある。 現在の海洋前線検出法は、検出精度が低いか、ほとんどの場合、二分法で海洋前線の発生を検出できない。 本稿では,LSENetと呼ばれるセマンティックセグメンテーションネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-05T08:40:42Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Dense Attention Fluid Network for Salient Object Detection in Optical Remote Sensing Images [193.77450545067967]
  光リモートセンシング画像(RSI)における有意物体検出のためのエンド・ツー・エンドDense Attention Fluid Network(DAFNet)を提案する。 GCA(Global Context-Aware Attention)モジュールは、長距離の意味的関係を適応的にキャプチャするために提案される。 我々は、2000枚の画像とピクセルワイドなサリエンシアノテーションを含むSODのための新しい、挑戦的な光学RSIデータセットを構築した。
  論文  参考訳（メタデータ） (2020-11-26T06:14:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。