Core Concepts
本文提出了一种基于提示学习的P2Det模型,通过融合图像和位置提示信息,有效解决了复杂背景下输电塔检测的挑战。
Abstract
本文针对高分辨率SAR图像中输电塔检测的难题提出了P2Det模型。主要包括以下几个方面:
引入提示学习技术,设计了稀疏提示编码器(SPE)将位置提示转换为稀疏嵌入,并提出了双向融合模块(TWFM)学习图像和提示之间的关系。这有助于解决背景干扰的问题。
提出了形状自适应细化模块(SARM),动态调整样本选择阈值,并基于归一化形状距离评估样本质量,减轻了不同入射角导致的形状变化影响。
在大量实验中验证了P2Det的有效性。与现有方法相比,P2Det在AP75和AR50指标上分别达到90.3%和99.1%,显著提升了检测精度和召回率。
在不同地形场景中,如城市、农田、平原、森林和山区,P2Det都展现出优异的检测性能,能够有效应对复杂背景干扰。
总之,P2Det通过融合多模态信息和自适应样本选择策略,为高分辨率SAR图像中输电塔检测提供了一种新的有效解决方案。
Stats
输电塔在SAR图像中通常呈现较小尺度和侧视几何,背景杂波干扰严重,这给检测带来了挑战。
大量干扰信号会叠加在输电塔的回波信号上。
Quotes
"检测输电塔从合成孔径雷达(SAR)图像中仍然是一项具有挑战性的任务,这是由于相对较小的尺度和侧视几何,背景杂波干扰频繁阻碍塔楼的识别。"
"大量干扰信号会叠加在塔楼的回波信号上。我们发现,定位或提示输电塔的位置有助于解决这一障碍。"