SFE-YOLO: Spatial-Frequency Dual-Domain Enhanced YOLO for SAR Ship Detection
为了解决现有检测器在复杂海洋环境中的局限性，本文提出了 SFE-YOLO，这是一个双域增强型 YOLO 框架，它集成了用于多方向特征提取的旋转卷积（pinwheel convolution）和用于海杂波抑制的频域模块，在 SSDD 和 HRSID 数据集上的 SAR 船舶检测中实现了卓越的性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
海洋是一块广袤而变幻莫测的画布，在这里，船只与波浪之间的界限可能会模糊成无法分辨的噪声。几十年来，监测这一领域主要依赖两种工具：一种是像人类一样观察世界的摄像机，另一种是透过物理学之眼观察世界的雷达。摄像机能提供丰富的细节，但在日落时分或浓雾袭来时便会失效。然而，雷达能够昼夜无休地工作，通过向表面反射无线电波来穿透云层和黑暗。这使得它成为在最恶劣天气下观测船只的唯一可靠眼睛。尽管如此，雷达图像却极其难以解读。它们充满了静态和颗粒感，这种被称为“斑点噪声”的视觉混沌，使得汹涌海面的纹理看起来与金属船体完全一致。对于负责扫描这些图像的计算机而言，区分一艘小船与一片杂乱的海水长期以来一直是一项难题，这往往会导致漏检或误报，从而可能引发严重的安全性与保障问题。
研究人员转向人工智能来解决这一问题，通过教导计算机识别这些颗粒状图像中的模式。最常见的方法是使用一种数字滤波器，它通过在图像中进行小方块式的扫描，来寻找边缘和形状。虽然这种方法对许多任务有效，但在处理船只的特殊性质时却显得力不从心。船只是一种长条形的物体，可以朝向任何方向，但标准的滤波器是僵硬且呈正方形的，旨在捕捉圆形或块状形状。如果船只倾斜或者图像噪声过大，这些滤波器往往会错过细长的船体轮廓。此外，这些标准滤波器仅关注像素的即时邻域，忽略了整个场景的大局，这使得很难区分真实的船只与混乱的海面杂波。
为了解决这些特定的弱点，来自中国机构的研究团队开发了一种名为 SFE-YOLO 的新型检测系统。该系统不再依赖单一的观察方式，而是创建了一个双域框架，同时以两种不同的方式检查图像。其系统的第一部分解决了形状问题。他们用一种新型滤波器取代了标准的正方形滤波器，这种滤波器就像一个风车，能够同时进行多方向的扫描。这使得计算机能够追踪船只的长条形轮廓，无论其面向哪个方向，从而捕捉到旧有的、僵硬的滤波器会直接跳过的细节。
系统的第二部分通过改变计算机处理图像信息的方式来解决噪声问题。系统不再仅仅观察像素呈现出的样子，而是暂时将图像转化为一种基于频率的不同“语言”，这是一种描述图像亮度随位置变化快慢的方式。在这种频率视图中，海面噪声那种稳定、重复的模式与船只清晰、独特的边缘形成了鲜明对比。研究人员构建了一个模块，能够识别并抑制海洋的低频噪声，同时增强定义船只轮廓的高频信号。在频率视图中清理完图像后，系统将其转回正常的图像，此时图像变得更加清晰且易于阅读。
当团队在两个主要的雷达船舶图像集上测试这种新方法时，结果非常显著。在一个包含一千多张图像的标准数据集中，他们的系统以极高的准确度识别出了船只，得分达到了 0.973（满分为 1.0）。在一个更困难、包含近六千张图像的高分辨率数据集中（其中包含许多微型船只和复杂的港口背景），该系统依然保持了强劲的表现，得分为 0.885。更重要的是，该系统在寻找小型船只方面表现尤为出色，而这正是以往模型经常失败的任务。它减少了漏掉小船的次数，同时也减少了将波浪误认为船只的次数。
研究人员发现，将这两种方法结合起来——即用于形状识别的方向性扫描和用于噪声清理的基于频率的处理——产生了一种大于部分之和的协同效应。该系统不仅仅是略有提升，而是变得足以应对开阔海域的混乱现实。通过教导计算机从各个角度观察船只的结构并忽略海洋的背景杂音，这种新方法为监测海上交通提供了一种更可靠的方式。这一进展表明，在未来，自动化系统可以为执法和搜救行动提供更一致、更准确的监控，确保即使是最小的船只也不会在海洋的噪声中消失。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。