A Sea Clutter Suppression Method based on Neighborhood Self-supervised for Ship Detection in SAR Images
Notice bibliographique
Résumé
Ship detection in Synthetic Aperture Radar (SAR) images plays a considerable role in ocean monitoring and maritime management. However, due to the complex distributions of sea clutter and the low signal-to-clutter ratio of targets, high-precision ship detection under strong sea clutters is still challenging. A sea clutter suppression method based on neighborhood pixels self-supervised is proposed in this paper for ship detection in SAR images, which comprises the sea clutter suppression stage and the ship detection stage. In the former stage, a Weibull-distribution-based image pre-processing is initially carried out to achieve zero mean normalization of SAR images. Then, a neighborhood sampler based on adjacent pixels of the sea clutter is designed to obtain independent and identically distributed paired image slices for training. Further, a self-supervised network based on U-Net is established with the sampled paired images as input for sea clutter suppression, which does not require any clean ships. In particular, a hybrid loss function including the reconstruction and regularization terms, is customized to ensure the network’s reconstruction and generalization abilities. In the latter stage, a YOLOv5-based detection network is adopted in sea clutter-suppressed images to improve the detection performance of weak ships under complex backgrounds. Experiments conducted on the Large-Scale SAR Ship Detection Dataset-v1.0 (LS-SSDD-v1.0) demonstrate the effectiveness of the proposed method, which achieves a 0.7% improvement in detection accuracy compared with typical detection algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».