DSF-DETR：通过空间-频率状态空间建模和动态注意力实现端到端的SAR船舶检测

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：DSF-DETR: End-to-End SAR Ship Detection via Spatial-Frequency State Space Modeling and Dynamic Attention

　　

摘要：

合成孔径雷达（SAR）在船舶检测方面为海上监视提供了支持，但由于乘性斑点效应、复杂的沿海杂波以及船舶尺寸的大范围变化，这一技术仍然面临诸多挑战。基于卷积神经网络（CNN）的检测方法通常需要在噪声抑制和细节保留之间做出权衡，并且通常依赖于后处理技术，如非最大值抑制（NMS）。为克服这些限制，我们提出了DSF-DETR，这是一种端到端的Transformer检测器，它将空间处理和频率处理分离开来，从而能够明确区分对噪声敏感的波动和目标结构。其分离的空间-频率主干网络（DSF-Net）在空间分支中提取局部几何信息，而频率分支则结合离散小波变换（DWT）和状态空间模型（SSM）来聚合全局上下文并抑制噪声敏感成分。为了避免在均匀背景上进行冗余计算，内容感知动态注意力机制（CADA）对编码器进行了优化；高效重参数化特征金字塔（ERFP）增强了多尺度融合能力，并被重新参数化为单分支结构以适应推理需求。在SSDD、HRSID和SAR-Ship数据集上的实验表明，DSF-DETR在AP50指标上分别比RT-DETR提高了2.0、2.3和1.4个百分点，同时在SSDD数据集中的参数数量减少了44.5%。在NVIDIA Jetson Xavier NX平台上，该重参数化模型的帧率提升了53.3%。我们的代码将发布在：https://github.com/CHD-IPAC/DSF-DETR。