基于可变形卷积和注意力机制的SAR图像溢油检测模型

摘要

针对现有目标检测模型在提取溢油区域复杂特征及识别不规则形状溢油区域方面存在的局限性，提出一种改进的Mask R-CNN模型，以更好地完成海面溢油检测任务。首先，在该模型特征提取网络引入可变形卷积模块，以提升模型对不规则形状溢油区域的感知能力；其次，在模型中加入改进后的注意力机制，使模型在增强对溢油区域关键特征捕捉能力的同时增加较少的参数；最后，使用完全交并比损失函数(CIoU Loss)作为目标框回归损失函数，提升模型在边界框回归任务中的性能。在公开的合成孔径雷达(SAR)海面溢油数据集上的实验表明，改进后的Mask R-CNN模型检测精度为66.14%,相比原始Mask R-CNN模型提高了5.33%;与目标检测模型Yolov9、Yolov10、Faster R-CNN及Cascade R-CNN相比，检测精度分别提高了31.79%、 19.01%、30.47%和21.02%;与实例分割模型Yolact和Yolov5-seg相比，检测精度分别提高了22.94%和29.50%。

关键词

合成孔径雷达(SAR)图像 / 海面溢油检测 / 注意力机制 / 可变形卷积 / 目标框损失函数