RS DL
论文介绍
题目：DenoDet: Attention as Deformable Multi-Subspace Feature Denoising for Target Detection in SAR Images
勘误：期刊名和链接有误，详见留言区//：ISPRS Journal of Photogrammetry and Remote Sensing
/论文：https://doi.org/10.1016/j.isprsjprs.2024.12.024
年份：2025
主要贡献
在深度网络中嵌入离散余弦变换，通过频域信息进行自适应去噪 采用分组方式处理频域信息，保证每组同时包含高、低频信号 通过自适应策略采样，让网络自动学习最优的频率分组方式
数据
MSAR（HISEA-1 卫星）
4 类目标：船舶、油罐、飞机、桥梁
共 60,396 个目标实例
主要挑战：斑点噪声干扰严重，小目标较多
SAR-Aircraft-1.0（Gaofen-3 卫星）
7 种飞机类型（如 A220、A320、Boeing737 等）
共 16,463 个目标
主要挑战：飞机目标小，背景复杂
AIR-SARShip-1.0（Gaofen-3 卫星）
31 组大场景 SAR 图像
512 个船舶目标
主要挑战：天气条件多变，目标易受噪声影响
SARDet-100K（多个卫星 & 机载 SAR）
116,598 张图像，245,653 个目标
6 类目标：飞机、船舶、汽车、桥梁、坦克、港口
主要挑战：规模大，跨平台、多分辨率、多场景
图 1. 相关数据集
背景
SAR 图像检测面临的问题
相干噪声是一种乘性噪声，由成像过程中信号相位误差引起，其具体表现为图像中随机分布的明暗区域。由于乘性相干噪声会随着信号本身的强弱发生变化，故 SAR 图像中的噪声经常严重遮盖目标的形状轮廓和纹理特征。
小目标检测
现有深度学习方法的不足
无法自适应去噪强度
自然图像中常见的加性噪声往往可以通过滤波算法或减去固定值来消除。而 SAR 图像中的乘性噪声会随着信号本身强度的变化而变化， 使用硬阈值去噪算法很容易将目标的有效特征一并抑制，导致信号的结构特征被破坏，从而引发漏检和虚警。极小目标检测困难
SAR 数据集中广泛存在的极小目标为检测带来了新的难题。特别是当目标被噪声覆盖时，其形状特征难以在深度网络的高层特征中保留，进一步削弱了模型的检测能力。卷积神经网络的低频偏好
深度网络中常用的卷积操作对高频信号表现出天然的弱敏感性 [3]， 而目标的细节信息和 SAR 图像中的噪声信号往往包含于高频信息中，这种低频偏好使现有模型难以充分利用高低频特征来有效区分噪声和目标。
相关工作
CFAR（恒虚警率检测）[4][5][6]：通过调整检测阈值来保证恒定的虚警率，从而在不同的噪声背景下提高检测精度。
软阈值去噪 [7][8][9]：在频域中对高频分量设定阈值，保留信号的主要信息，同时抑制噪声的影响。
注意力机制 [10][11][12]：将图像的全局语义信息与特征信息进行融合，突出目标区域的特征点，减少噪声干扰。
研究动机
方法
研究提出了一种全新的目标检测模型 —— 基于特征去噪的检测框架 (DenoDet)，如图所示。该框架通过离散余弦变换 (DCT) 将时空域特征投射至频率域，实现对高、低频信息的显式分离， 从而引导网络针对高频成分进行自适应去噪。DenoDet 的主要贡献包括以下三个方面：
・在深度网络中嵌入离散余弦变换，通过频域信息进行自适应去噪；
・采用分组方式处理频域信息，保证每组同时包含高、低频信号；
・通过自适应策略采样，让网络自动学习最优的频率分组方式。
在 DenoDet 的处理流程中，首先对特征图执行 DCT 转换，将其映射到频域， 在对频域信号进行调制的过程中，观察到高、低频特征可互相补充，从而协同抑制噪声。基于此，首先通过分组卷积将频域信号划分成若干等尺寸的信号块，确保每块均衡涵盖高、低频成分。然而，如何选择合适的分组策略，使得高、低频特征在充分交互的同时实现有效去噪，仍是一项挑战。为此，研究设计了自适应分组采样策略，让网络能够自动搜索最优的分组方式。通过调整线性层分组数量来限定信号的频率交互范围， 确保每个信号块单元都能动态选择一定比例的高、低频特征，从而进一步增强去噪和特征提取能力。
整体而言，DenoDet 首先将主干网络输出的特征图转换到频域；随后，对频域特征进行通道平均池化和最大池化融合以提取特征图谱，并采用分组卷积完成高低频特征的交互；接着，利用额外的线性层生成索引量，对分组策略进行动态插值；最后，将初始频域信号与高低频交互后的特征图进行点乘来完成去噪， 并通过离散余弦反变换回到空间域，得到更干净的特征图。
结果与分析
表 1. DenoDet 在 SARDet-100K 上的表现
表 2. DenoDet 在 SAR-AIRcraft-1.0 上的表现
表 3. DenoDet 在 MSAR 上的表现
特征图去噪效果可视化
结论和未来工作
参考文献
[1]: Chi Zhang, Xi Zhang, Gui Gao, Haitao Lang, Genwang Liu, Chenghui Cao. Development and Application of Ship Detection and Classification Datasets: A review. IEEE Geoscience and Remote Sensing Magazine, doi: 10.1109/MGRS.2024.3450681.
[2]: Dong-Xiao Yue, Feng Xu, Alejandro C. Frery and Ya-Qiu Jin. Synthetic Aperture Radar Image Statistical Modeling: Part One-Single-Pixel Statistical Models. IEEE Geoscience and Remote Sensing Magazine, vol. 9, no. 1, pp. 82-114, March 2021.
[3]: Zhi-Qin John Xu, Yaoyu Zhang, and Tao Luo. Overview frequency principle/spectral bias in deep learning, CoRR, vol. abs/2201.07395, 2022.
[4]: Chao Wang, Baolong Guo, jiawei Song, Fangliang He and Cheng Li. A Novel CFAR-Based Ship Detection Method Using Range-Compressed Data for Spaceborne SAR System. IEEE Transactions on Geoscience and Remote Sensing, vol. 62, pp. 1-15, 2024.
[5]: Pucheng Li, Zegang Ding, Tianyi Zhang, Yangkai Wei and Yongpeng Gao. Integrated Detection and Imaging Algorithm for Radar Sparse Targets via CFAR-ADMM. IEEE Transactions on Geoscience and Remote Sensing, vol. 61, pp. 1-15, 2023.
[6]: Tao Liu, Ziyuan Yang, Gui Gao, Armando Marino and Si-Wei Chen. Simultaneous Diagonalization of Hermitian Matrices and Its Application in PolSAR Ship Detection. IEEE Transactions on Geoscience and Remote Sensing, vol. 61, pp. 1-18, 2023.
[7]: Chuan Zhang, Gui Gao, Jia Liu and Dingfeng Duan. Oriented Ship Detection Based on Soft Thresholding and Context Information in SAR Images of Complex Scenes. IEEE Transactions on Geoscience and Remote Sensing vol. 62, pp. 1-15, 2024.
[8]: Mingxiao Shao, Zhe Zhang, Jie Li, Jian Kang and Bingchen Zhang. TADCG: A Novel Gridless Tomographic SAR Imaging Approach Based on the Alternate Descent Conditional Gradient Algorithm With Robustness and Efficiency. IEEE Transactions on Geoscience and Remote Sensing, vol. 62, pp. 1-13, 2024.
[9]: Lei Yang, Minghui Gai, Tengteng Wang and Mengdao Xing. Elaborated-Structure Awareness SAR Imagery Using Hessian-Enhanced TV Regularization. IEEE Transactions on Geoscience and Remote Sensing, vol. 61, pp. 1-16, 2023.
[10]: Yuxuan Li, Qibin Hou, zhaohui Zheng, Ming-Ming Cheng, Jian Yang, and Xiang Li. Large selective kernel network for remote sensing object detection. IEEE International Conference on Computer Vision, 2023, pp. 16 794– 16 805.
[11]: Yuning Cui, Yi Tao, Wenqi Ren, and Alois Knoll. Dual-domain attention for image deblurring. AAAI Conference on Artificial Intelligence, B. Williams, Y. Chen, and J. Neville, Eds., 2023, pp. 479–487.
[12]: Zequn Qin, Pengyi Zhang, Fei Wu, and Xi Li. FCANet: Frequency channel attention networks. IEEE International Conference on Computer Vision, 2021, pp. 763–772.
更多图表分析可见原文
公众号升级版AI回复功能已启用，如需加群、投稿或合作，请微信联系小助手（备注：咨询/投稿/合作/加群，加群需姓名/昵称、单位和研究方向）。
我们目前有交流群、作者群(已发表成果的作者)、竞赛群和语义分割、变化检测等具体方向的交流群，详见：交流群说明
2024-09-12
2025-01-17
2024-12-17
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
