01 前景概要

在今天分享中，我們團隊在FUSAR船舶數據集和SimpleCopyPaste方法的基礎上生成了一個新的Artificial-SAR-Vessel數據集中。我們進一步提出了一種新的多類船檢測，稱為CRAS-YOLO，它由卷積塊注意力模塊（CBAM）、感受野塊（RFB）和基于YOLOv5s的自適應空間特征融合（ASFF）組成。CRAS-YOLO改進了基于路徑聚合網絡（PANet）的特征金字塔網絡，該網絡集成了RFB特征增強模塊和ASFF特征融合策略，以獲得更豐富的特征信息，并實現多尺度特征的自適應融合。同時，在骨干中增加了CBAM，以準確定位船只位置，提高檢測能力。

結果證實，CRAS-YOLO模型的準確度、召回率和平均準確度（mAP）（0.5）分別高達90.4%、88.6%和92.1%。所提出的模型在另一個Sar船舶檢測（SSDD）數據集中的精度、召回率和mAP得分分別高達97.3%、95.5%和98.7%，也優于先前的研究結果。

02 項目背景

如今，深度學習已經突破了傳統目標檢測算法的瓶頸，成為檢測的主流算法。深度學習方法不需要在SAR圖像中分離海洋和陸地，只需要通過標記的數據集進行訓練，在目標檢測方面具有很大的優勢。目前流行的目標檢測算法有兩種類型。一種是基于區域推薦的兩階段目標檢測算法，其中代表性的方法有基于區域的卷積神經網絡（R-CNN）、Fast R-CNN和Faster R-CNN。其主要思想是利用選擇性搜索方法來生成建議區域，然后在建議區域中進行回歸分類。另一種是一階段目標檢測算法，它將檢測問題簡化為回歸問題，只需要卷積神經網絡就可以直接獲得目標的類概率和位置坐標。代表性算法包括YOLO、SSD、Retina-Net等。YOLO系列算法通常比其他算法更快，對小目標檢測效果良好。它們是經典的一階段檢測方法，通常比其他算法具有更快的識別速度，并且在小目標檢測中表現出優異的檢測能力。

迄今為止公開發布的上述SAR船舶探測數據集大多只包含船舶位置數據，缺乏船舶類別數據。同時，唯一一個名為SRSDD的公共多類別船舶檢測數據集存在嚴重的類別不平衡問題，嚴重影響了船舶檢測的準確性。因此，我們在研究中，基于FusarShip數據集和HAISI-1衛星拍攝的海面遠程合成孔徑雷達（SAR）圖像的組合，生成了一個新的數據集，稱為Artificial-SAR-Vessel據集。創新性地將SimpleCopyPaste方法引入到數據集的構建中，希望對SAR船舶檢測數據集進行補充，為船舶檢測數據缺乏的問題提供新的解決方案。

03 新研究框架介紹

我們研究的CRAS-YOLO是為了在給定SAR圖像的情況下，在精確定位船只位置和提高檢測能力方面提供高性能而形成的。下圖中的流程圖顯示了所提出的CRAS-YOLO是如何開發的。

首先，生成了Artificial-SAR-Vessel數據集。其次，通過在YOLOv5s網絡中添加CBAM、RFB和ASFF，形成了所提出的CRAS-YOLO模型。接下來，給出了性能度量，以評估所提出的模型與其他模型相比的性能。最后，將所開發的CRAS-YOLO模型應用于基于衛星圖像的船舶探測。

在我們的研究中，提出的CRAS-YOLO船舶檢測和分類模型基于YOLOv5s，通過在PANet（RA PANet）中添加RFB和ASFF來改進FPN，以獲得更豐富的特征信息，并實現多尺度特征的自適應融合。擬議的CRAS-YOLO還將CBAM集成到網絡的頸部。CRAS-YOLO的完整網絡結構如下圖所示。

注意機制主要包括空間注意和渠道注意。SE和ECA是渠道關注機制的代表。CA是空間注意機制的代表。CBAM融合了通道和空間注意力機制，具有良好的性能。我們將CBAM插入頸部結構中，以實現更有效的特征提取。從下圖中，CBAM通過通道模塊和空間模塊提取特征信息，并使用串行結構融合特征信息。

從下圖中，首先，輸入特征圖通過通道模塊生成通道權重，并將獲得的權重與輸入相乘以生成通道圖。接下來，將通道特征圖導入空間模塊以生成空間權重，并將權重與導入的特征圖相乘以生成空間圖。最后，將最終的加權特征圖和原始輸入逐元素相加，得到最終的輸出結果，詳細的CBAM結構如圖所示。

淺層濾波器提取的特征包含更具體的特征信息。因此，我們在淺層集成了CBAM，以從淺層特征圖中學習和選擇重要特征，提高船舶的定量性能。

SAR圖像特征圖的可視化。（a） 通過濾波器從RA PANet的骨干網絡中提取的特征圖的可視化。（b） 從淺層到深層的小型船舶特征圖的可視化。

RFB特征增強模塊網絡結構

ASFF網絡結構

04 實驗及可視化

CRAS-YOLO與其他模型的實驗結果比較

基于CRAS-YOLO模型的船舶檢測結果：上面三張分別是復雜海岸背景下的船舶測試結果，下面三張分別是深海中稀疏分布的船舶測試成果。