論文の概要: Convolutional Feature Enhancement and Attention Fusion BiFPN for Ship Detection in SAR Images

• arxiv url: http://arxiv.org/abs/2506.15231v1
• Date: Wed, 18 Jun 2025 08:14:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.585673
• Title: Convolutional Feature Enhancement and Attention Fusion BiFPN for Ship Detection in SAR Images
• Title（参考訳）: SAR画像における船体検出のための畳み込み特徴強調と注意融合BiFPN
• Authors: Liangjie Meng, Danxia Li, Jinrong He, Lili Ma, Zhixin Li,
• Abstract要約: 本稿では,C-AFBiFPNという新しい機能拡張・融合フレームワークを提案する。 C-AFBiFPNは、バックボーンネットワークに続くCFE(Convolutional Feature Enhancement)モジュールを構築する。 C-AFBiFPNは、BiFPNの融合戦略においてBiFormerの注意を革新的に統合し、AFBiFPNネットワークを作成する。
• 参考スコア（独自算出の注目度）: 3.1536619649037716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic Aperture Radar (SAR) enables submeter-resolution imaging and all-weather monitoring via active microwave and advanced signal processing. Currently, SAR has found extensive applications in critical maritime domains such as ship detection. However, SAR ship detection faces several challenges, including significant scale variations among ships, the presence of small offshore vessels mixed with noise, and complex backgrounds for large nearshore ships. To address these issues, this paper proposes a novel feature enhancement and fusion framework named C-AFBiFPN. C-AFBiFPN constructs a Convolutional Feature Enhancement (CFE) module following the backbone network, aiming to enrich feature representation and enhance the ability to capture and represent local details and contextual information. Furthermore, C-AFBiFPN innovatively integrates BiFormer attention within the fusion strategy of BiFPN, creating the AFBiFPN network. AFBiFPN improves the global modeling capability of cross-scale feature fusion and can adaptively focus on critical feature regions. The experimental results on SAR Ship Detection Dataset (SSDD) indicate that the proposed approach substantially enhances detection accuracy for small targets, robustness against occlusions, and adaptability to multi-scale features.
• Abstract（参考訳）: SAR(Synthetic Aperture Radar)は、マイクロ波および信号処理によるサブメートル分解能イメージングと全天候モニタリングを可能にする。 現在、SARは船舶検出などの重要な海洋ドメインで広範囲に応用されている。 しかし、SAR船の検出には、船舶間の大きなスケールのばらつき、騒音と混ざった小さな沖合の船の存在、大型の近海船の複雑な背景など、いくつかの課題に直面している。 これらの課題に対処するために,C-AFBiFPNという新しい機能拡張・融合フレームワークを提案する。 C-AFBiFPNは、バックボーンネットワークに続くコンボリューショナル・フィーチャー・エンハンスメント(CFE)モジュールを構築する。 さらに、C-AFBiFPNは、BiFPNの融合戦略においてBiFormerの注意を革新的に統合し、AFBiFPNネットワークを作成する。 AFBiFPNは、クロススケールな特徴融合のグローバルモデリング能力を改善し、重要な特徴領域に適応的にフォーカスすることができる。 SAR Ship Detection Dataset (SSDD) 実験の結果, 提案手法は小目標の検出精度, 閉塞に対する堅牢性, マルチスケール機能への適応性を著しく向上させることが示唆された。

関連論文リスト

• Enhancing, Refining, and Fusing: Towards Robust Multi-Scale and Dense Ship Detection [7.208605594108282]
  本稿では, マルチスケール・密封型船舶検知のための新しいフレームワーク, Center-Aware SAR Ship Detector (CASS-Det) を提案する。 CASS-Detは,(1)船心強調のために回転畳み込みを用いたセンター拡張モジュール(CEM),(2)密集したシーンで船の境界を洗練させるために層間依存関係を利用する隣の注意モジュール(NAM),(3)大規模機能融合を強化するクロスコネクテッド機能ピラミッドネットワーク(CC-FPN)の3つの重要なイノベーションを統合する。
  論文  参考訳（メタデータ） (2025-01-10T15:33:37Z)
• Multitask Learning for SAR Ship Detection with Gaussian-Mask Joint Segmentation [20.540873039361102]
  本稿では,オブジェクト検出,スペックル抑制,ターゲットセグメンテーションタスクからなるSAR船舶検出のためのマルチタスク学習フレームワークを提案する。 アスペクト比重み付けによる角度分類損失を導入し、角度周期性と物体比に対処して検出精度を向上させる。 スペックル抑制タスクはデュアルフュージョンアテンション機構を使用してノイズを低減し、浅くノイズを生じさせる特徴を融合させ、ロバスト性を高める。 ターゲットセグメンテーションタスクは、回転したガウスマスクを利用して、乱雑な背景から対象領域を抽出するネットワークを支援し、画素レベルの予測により検出効率を向上させる。
  論文  参考訳（メタデータ） (2024-11-21T05:10:41Z)
• Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
  我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
  論文  参考訳（メタデータ） (2024-09-09T13:56:22Z)
• PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection [59.355022416218624]
  点とボクセルの表現の統合は、LiDARベースの3Dオブジェクト検出においてより一般的になりつつある。 PVAFN(Point-Voxel Attention Fusion Network)と呼ばれる新しい2段3次元物体検出器を提案する。 PVAFNはマルチプール戦略を使用して、マルチスケールとリージョン固有の情報を効果的に統合する。
  論文  参考訳（メタデータ） (2024-08-26T19:43:01Z)
• Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
  3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。 我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
  論文  参考訳（メタデータ） (2024-07-18T04:36:10Z)
• AMANet: Advancing SAR Ship Detection with Adaptive Multi-Hierarchical Attention Network [0.5437298646956507]
  適応型多階層型アテンションモジュール (AMAM) を提案する。 まず,隣り合う特徴層からの情報を融合して,より小さなターゲットの検出を強化し,マルチスケールな特徴強調を実現する。 第3に,AMAMをバックボーンネットワークと特徴ピラミッドネットワークに埋め込むことにより,適応型多階層アテンションネットワーク(AMANet)を提案する。
  論文  参考訳（メタデータ） (2024-01-24T03:56:33Z)
• Multi-scale direction-aware SAR object detection network via global information fusion [18.997878517911378]
  本稿では,SARオブジェクト検出における方向認識情報のグローバルな融合を目的とした新しいフレームワークであるSAR-Netを提案する。 UCMとDAMは効率的なグローバル情報融合と伝送を可能にする。 実験は、SAR-Netの有効性を示し、航空機や船舶のデータセットに対して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-12-28T10:40:11Z)
• SAR-ShipNet: SAR-Ship Detection Neural Network via Bidirectional Coordinate Attention and Multi-resolution Feature Fusion [7.323279438948967]
  本稿では,ニューラルネットワークによる合成開口レーダ(SAR)画像から,事実上有意義な船舶検出問題について検討する。 本稿では,CentralNetに基づく双方向協調注意(BCA)とMRF(Multi- resolution Feature Fusion)を新たに開発したSAR-ShipNet(略してSAR-ShipNet)を提案する。 パブリックなSAR-Shipデータセットの実験結果から,SAR-ShipNetは速度と精度の両面で競争上の優位性を達成していることがわかった。
  論文  参考訳（メタデータ） (2022-03-29T12:27:04Z)
• RRNet: Relational Reasoning Network with Parallel Multi-scale Attention for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
  光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。 光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。 提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
  論文  参考訳（メタデータ） (2021-10-27T07:18:32Z)
• 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)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)

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。