論文の概要: SARES-DEIM: Sparse Mixture-of-Experts Meets DETR for Robust SAR Ship Detection
- arxiv url: http://arxiv.org/abs/2604.04127v1
- Date: Sun, 05 Apr 2026 14:15:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.932304
- Title: SARES-DEIM: Sparse Mixture-of-Experts Meets DETR for Robust SAR Ship Detection
- Title（参考訳）: SARES-DEIM:SAR船のロバスト検出のためのDECRとSparse Mixture-of-Experts
- Authors: Fenghao Song, Shaojing Yang, Xi Zhou,
- Abstract要約: SAR(Synthetic Aperture Radar)画像における船体検出は、固有のコヒーレントスペックルノイズによって根本的に困難である。
本稿では,Detection TRansformer(DETR)パラダイムに基づくドメイン認識検出フレームワークSARES-DEIMを提案する。
我々のアプローチの中心はSARESMoEであり、これはスパースゲーティング機構を利用して特殊周波数やウェーブレットの専門家に特徴を選択的にルーティングするモジュールである。
- 参考スコア（独自算出の注目度）: 13.697178700187402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ship detection in Synthetic Aperture Radar (SAR) imagery is fundamentally challenged by inherent coherent speckle noise, complex coastal clutter, and the prevalence of small-scale targets. Conventional detectors, primarily designed for optical imagery, often exhibit limited robustness against SAR-specific degradation and suffer from the loss of fine-grained ship signatures during spatial downsampling. To address these limitations, we propose SARES-DEIM, a domain-aware detection framework grounded in the DEtection TRansformer (DETR) paradigm. Central to our approach is SARESMoE (SAR-aware Expert Selection Mixture-of-Experts), a module leveraging a sparse gating mechanism to selectively route features toward specialized frequency and wavelet experts. This sparsely-activated architecture effectively filters speckle noise and semantic clutter while maintaining high computational efficiency. Furthermore, we introduce the Space-to-Depth Enhancement Pyramid (SDEP) neck to preserve high-resolution spatial cues from shallow stages, significantly improving the localization of small targets. Extensive experiments on two benchmark datasets demonstrate the superiority of SARES-DEIM. Notably, on the challenging HRSID dataset, our model achieves a mAP50:95 of 76.4% and a mAP50 of 93.8%, outperforming state-of-the-art YOLO-series and specialized SAR detectors.
- Abstract（参考訳）: SAR(Synthetic Aperture Radar)画像の船体検出は、固有のコヒーレントスペックルノイズ、複雑な沿岸クラッタ、小型目標の出現などにより、基本的には困難である。
従来の検出器は、主に光学画像用に設計されており、SAR特有の劣化に対して限られた堅牢性を示し、空間的なダウンサンプリング中に船の微細な署名が失われることに悩まされる。
これらの制約に対処するため,本研究では,Detection TRansformer(DETR)パラダイムに基づくドメイン認識検出フレームワークSARES-DEIMを提案する。
我々のアプローチの中心はSARESMoE (SAR-aware Expert Selection Mixture-of-Experts) であり、これはスパースゲーティング機構を利用して特殊周波数やウェーブレットの専門家に特徴を選択的にルーティングするモジュールである。
この疎活性化アーキテクチャは、高い計算効率を維持しつつ、スペックルノイズやセマンティック・クラッタを効果的にフィルタする。
さらに, 浅層から高分解能な空間手がかりを保存し, 小さなターゲットの局所化を著しく改善するために, SDEP (Space-to-Depth Enhancement Pyramid) ネックを導入する。
2つのベンチマークデータセットに対する大規模な実験は、SARES-DEIMの優位性を示している。
特に、挑戦的なHRSIDデータセットでは、76.4%のmAP50:95と93.8%のmAP50が達成され、最先端のYOLOシリーズや特殊なSAR検出器よりも優れています。
関連論文リスト
- Denoising-Enhanced YOLO for Robust SAR Ship Detection [9.818917054838964]
CPN-YOLOは、YOLOv8上に構築された高精度な船舶検出フレームワークである。
本稿では,入力前処理のための学習可能な大規模カーネル記述モジュールを提案する。
第2に,マルチスケールモデリングの強化を目的としたアテンション機構に基づく特徴抽出強化戦略を設計する。
論文 参考訳（メタデータ） (2026-02-27T09:00:19Z) - Real-Time 4D Radar Perception for Robust Human Detection in Harsh Enclosed Environments [10.956927578406388]
本稿では, 密集環境を代表とした散布環境において, 制御された多層塵濃度を生成するための新しい手法を提案する。
また、カメラとLiDARによって強化された新しい4DmmWaveレーダーデータセットを提示し、塵粒子と反射面が検知機能にどのように影響するかを説明した。
論文 参考訳（メタデータ） (2026-01-19T20:01:15Z) - RT-DETRv4: Painlessly Furthering Real-Time Object Detection with Vision Foundation Models [48.91205564876609]
軽量物体検出器の高効率化を目的とした,コスト効率・高適合性蒸留フレームワークを提案する。
当社のアプローチは、さまざまなDETRベースのモデルに対して、目立って一貫したパフォーマンス向上を実現しています。
我々の新しいモデルファミリーRT-DETRv4はCOCOの最先端結果を達成し、APスコアは49.7/53.5/55.4/57.0で、対応する速度は273/169/124/78 FPSである。
論文 参考訳（メタデータ） (2025-10-29T08:13:17Z) - HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking [80.07224739976911]
イベントカメラは例外的な時間分解能と範囲(モード)を提供する
RGBカメラは高解像度でリッチテクスチャを捉えるのに優れていますが、イベントカメラは例外的な時間分解能とレンジ(モダル)を提供します。
論文 参考訳（メタデータ） (2025-10-22T13:15:13Z) - Data-Driven Reconstruction of Significant Wave Heights from Sparse Observations [3.356199201143573]
マルチスケールU-NetとMLPを融合したハイブリッドディープラーニングフレームワークであるAUWaveを紹介する。
データリッチな構成において、AUWaveが代表的ベースラインを一貫して上回ることを示す。
アーキテクチャのマルチスケールおよびアテンションコンポーネントは、最小でも非自明な空間アンカーが利用できる場合、精度が向上する。
論文 参考訳（メタデータ） (2025-09-21T14:12:28Z) - SWAN: Synergistic Wavelet-Attention Network for Infrared Small Target Detection [8.098063209250684]
赤外線小目標検出(IRSTD)は、民間および軍事用途において重要である。
近年の手法は局所的な空間パターンを主に捉えた従来の畳み込み処理に重点を置いている。
空間領域と周波数領域の両方からターゲットを知覚する新しいフレームワークであるSynergistic Wavelet-Attention Network (SWAN)を提案する。
論文 参考訳（メタデータ） (2025-08-02T11:26:58Z) - SAR Object Detection with Self-Supervised Pretraining and Curriculum-Aware Sampling [41.24071764578782]
衛星搭載合成開口レーダ画像における物体検出は、都市モニタリングや災害対応といったタスクにおいて大きな可能性を秘めている。
衛星搭載SAR画像における小さな物体の検出は、比較的低い空間分解能と固有のノイズのため、特に複雑な問題を引き起こす。
本稿では,SARオブジェクト検出モデルであるTransARを紹介する。
論文 参考訳（メタデータ） (2025-04-17T19:44:05Z) - ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model [51.83639270669481]
ハイパースペクトル画像(HSI)における教師なし異常検出は、背景から未知のターゲットを検出することを目的としている。
HSI研究は、HSIの高次元特性と高密度サンプリングベーストレーニングパラダイムにより、計算コストの急激さによって妨げられている。
計算コストを大幅に削減する非対称コンセンサス状態空間モデル(ACMamba)を提案する。
論文 参考訳（メタデータ） (2025-04-16T05:33:42Z) - 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) - DiffSR: Learning Radar Reflectivity Synthesis via Diffusion Model from Satellite Observations [42.635670495018964]
我々はDiffSRと呼ばれる2段階拡散法を提案し、高周波の詳細と高値領域を生成する。
提案手法は, 最新技術(SOTA)の成果を達成し, 高周波の細部と高値領域を生成できることを実証する。
論文 参考訳（メタデータ） (2024-11-11T04:50:34Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z)
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。