論文の概要: Lightweight SAR Ship Detection via Contrastive Distillation

• arxiv url: http://arxiv.org/abs/2605.30380v2
• Date: Mon, 01 Jun 2026 03:28:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 18:24:16.841296
• Title: Lightweight SAR Ship Detection via Contrastive Distillation
• Title（参考訳）: コントラスト蒸留による軽量SAR船の検出
• Authors: Surendar Devasundaram, Banafsheh Saber Latibari, Abhijit Mahalanobis,
• Abstract要約: 本研究は,SARドメインにおけるトランスフォーマーをベースとしたSAR船の知識蒸留フレームワークを提案する。 このフレームワークは、2段階の1段および変圧器ベースの検出器のための共通領域レベルの蒸留インターフェースを提供するという意味で、アーキテクチャに依存しない。 SSDD と HRSID のベンチマーク実験により,提案手法により2段検出器の大幅な改良が得られた。
• 参考スコア（独自算出の注目度）: 0.19116784879310023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep convolutional and transformer-based detectors achieve strong performance for SAR ship detection but are often computationally prohibitive for real-time or onboard deployment. Lightweight models offer improved efficiency yet struggle to capture the complex structural relationships inherent in SAR backscatter. Most existing SAR knowledge-distillation approaches rely on feature or logit matching, which enforces localized activation similarity while neglecting the geometric relationships among object representations. We propose a Structured Unified Relational knowledGE distillation framework for SAR Ship detection (SURGE) that transfers relational geometry from a powerful teacher detector to a compact student detector using a contrastive InfoNCE objective in a shared projection embedding space. To the best of our knowledge, this work presents the first transformer-based SAR ship detector knowledge distillation framework in SAR domain. The framework is architecture-agnostic in the sense that it provides a common region-level distillation interface for two-stage, one-stage and transformer-based detectors without modifying their deployed architectures. Experiments on the SSDD and HRSID benchmarks demonstrate that the proposed method yields substantial improvements for two-stage detectors, achieving up to 6.2 mAP and 8.0 AP75 gains over baseline student and even surpassing teacher performance
• Abstract（参考訳）: 深部畳み込みおよび変圧器をベースとした検出器は、SAR船の検出に強い性能を発揮するが、しばしばリアルタイムやオンボードの展開では計算が禁止される。 軽量モデルは改善された効率を提供するが、SARの後方散乱に固有の複雑な構造的関係を捉えるのに苦労する。 既存のSAR知識蒸留手法の多くは特徴マッチングやロジットマッチングに依存しており、オブジェクト表現間の幾何学的関係を無視しながら、局所的な活性化類似性を強制している。 本稿では,SARシークエンス検出(SURGE)のための構造統一リレーショナル知識蒸留フレームワークを提案する。このフレームワークは,共有射影埋め込み空間において,対照的なInfoNCE目標を用いて,強力な教師検出器からコンパクトな学生検出器にリレーショナル幾何学を伝達する。 我々の知る限り、この研究は、SARドメインにおける最初のトランスフォーマーベースのSAR船舶検知知識蒸留フレームワークを提示する。 このフレームワークは、デプロイされたアーキテクチャを変更することなく、2ステージ、ワンステージ、トランスフォーマーベースの検出器に対して共通の領域レベルの蒸留インターフェースを提供するという意味で、アーキテクチャに依存しない。 SSDD と HRSID のベンチマーク実験により,提案手法は2段階検出器の大幅な改善を実現し,6.2 mAP と 8.0 AP75 がベースラインの学生より向上し,教師のパフォーマンスを上回り得ることを示した。

関連論文リスト

• GeoMamba: A Geometry-driven MambaVision Framework and Dataset for Fine-grained Optical-SAR Object Retrieval [54.741349848771144]
  GeoMambaは光学SAR微細検索のための幾何学駆動フレームワークである。 GFIモジュールは、クロスモーダルな機能相互作用を強化し、構造的な事前を組み込む。 GeoMambaは既存の手法を上回り、全検索環境で63.3% mAPと77.0% Rank-1の精度を達成した。
  論文  参考訳（メタデータ） (2026-05-19T12:08:09Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Large-Scale Model Enabled Semantic Communication Based on Robust Knowledge Distillation [45.347078403677216]
  大規模モデル(LSM)は意味表現と理解に有効なフレームワークである。 しかしながら、それらの直接的なデプロイメントは、しばしば高い計算複雑性とリソース要求によって妨げられる。 本稿では,新しい知識蒸留に基づくセマンティックコミュニケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T07:47:18Z)
• HA-RDet: Hybrid Anchor Rotation Detector for Oriented Object Detection [0.0]
  空中画像における物体の向き検出は、大きさや方向の異なるため、大きな課題となる。 オブジェクト指向物体検出のためのアンカーベースおよびアンカーフリースキームの利点を組み合わせたハイブリッドアンカー回転検出器(HA-RDet)を提案する。 HA-RDetは、DOTA-v1の75.41 mAP、DIOR-Rの65.3 mAP、HRSC2016の90.2 mAPなど、競争力のある精度を実現している。
  論文  参考訳（メタデータ） (2024-12-18T22:26:15Z)
• Physics-Guided Detector for SAR Airplanes [48.11882103050703]
  SAR航空機のための新しい物理誘導検出器(PGD)学習パラダイムを提案する。 検出性能を向上させるために、その離散性と変動性を包括的に調査する。 実験では,提案したPGDの柔軟性と有効性を示す。
  論文  参考訳（メタデータ） (2024-11-19T07:41:09Z)
• 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)
• SEA: Bridging the Gap Between One- and Two-stage Detector Distillation via SEmantic-aware Alignment [76.80165589520385]
  細粒度情報を抽象化する性質から,SEA (SEmantic-Aware Alignment) 蒸留法を命名した。 1段検出器と2段検出器の両方において、挑戦的な物体検出タスクにおいて、最先端の新たな結果が得られる。
  論文  参考訳（メタデータ） (2022-03-02T04:24:05Z)
• Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
  ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。 ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-02-14T07:01:01Z)

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。