RCSA-YOLO:改进YOLOv8的SAR舰船实例分割

• 全文链接
• 请求原文

作   者：

王磊;  张斌;  吴奇鸿; 

作者机构：

武汉工程大学智能机器人湖北省重点实验室; 

关键词：

合成孔径雷达;  上采样;  结构重参数化;  可切换空洞卷积; 

期刊名称：

计算机工程与应用

i s s n：

1002-8331

年卷期：

2024 年 60 卷 018 期

页   码：

103-113

摘   要：

针对合成孔径雷达(synthetic aperture radar,SAR)图像中背景复杂、目标小和尺度变化大等导致分割精度低的问题,提出了一种基于改进YOLOv8的SAR图像舰船实例分割算法RCSA-YOLO.利用结构重参数技术设计特征提取模块RepBlock,用以替换原网络中的C2f模块,增强网络的特征提取和特征表达能力,有效过滤了复杂背景噪声的干扰.使用基于内容感知的特征重组模块(content-aware reassembly of features,CARAFE)替换最近邻上采样方法,有效缓解了小目标信息丢失现象,提升了分割精细化程度.使用可切换空洞卷积(switchable atrous con-volution,SAC)进行下采样操作,动态调整感受野大小,使模型具备更强的多尺度适应能力,确保了在不同尺寸舰船目标上的分割精度.在HRSID数据集上的实验结果表明,提出的算法可以将YOLOv8模型的AP50值从87.7%提高到90.7%,较原算法提高了 3个百分点.与主流的实例分割算法对比,SAR舰船实例分割精度也明显提升,证明了RCSA-YOL O的有效性.