《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：DHT-SWNet: Frequency-aware ship and wake detection in multi-source optical remote sensing imagery
编辑推荐：
本文提出了一种融合离散哈特利变换（DHT）与频域特征提取的深度网络DHT-SWNet，用于从多源光学遥感影像中自动检测船舶尾流。该方法通过构建新的数据集（RSSW）和引入多尺度注意力聚合（MSAA）模块，显著提升了船舶开尔文尾流的检测精度（mAP达75.63%），为海上监控、环境保护和船舶导航提供了有效工具。
Highlight
方法学
本章节主要实现开尔文船舶尾流检测的整体流程。具体来说，3.1小节介绍了整体网络架构，3.2小节介绍了特征提取的架构，3.3小节详细阐述了新设计的MSAA模块，而3.4小节则解释了各组件的损失函数设计。
服务期参数
本研究的深度学习模型环境配置如表2所示。模型在Ubuntu系统上使用Python和PyTorch框架进行训练和测试。硬件配置包括Intel Xeon Gold 6226R CPU和NVIDIA RTX A6000 GPU，并利用CUDA进行GPU加速。我们使用混合精度训练与APEX来优化性能。训练过程中，我们使用了初始学习率为0.001、权重衰减（WD）为5×10-4的Adam优化器，并配合了…
数据集分布统计
在本实验的RSSW数据集中，我们对数据进行了详细的统计分析。首先，图12(a)展示了单张图像中尾流实例数量的分布。可以观察到，大多数图像中的尾流实例数量都落在较小的范围内，其中多数包含5个或更少的尾流实例，其分布呈现出典型的长尾模式。这一特征与大多数船舶尾流检测场景一致。即使在交通密集的区域，图像中同时出现的尾流数量也通常是有限的，这凸显了对少数样本和复杂背景具有鲁棒性的检测算法的重要性。其次，图12(b)说明了尾流边界框的宽高比分布。结果表明，尾流通常呈现细长的形状，宽高比普遍大于3:1，这与尾流在遥感图像中呈现的长线状特征相符。这种细长的几何形状是设计检测算法时需要考虑的关键因素，尤其是在定位尾流的起点和终点时。此外，图12(c)展示了尾流长度的分布情况。从图中可以看出，尾流长度覆盖了很广的范围，从几十米到几公里不等，这反映了不同尺寸和航速的船舶所产生的尾流在空间尺度上的巨大差异。这种多尺度的特性要求检测模型具备强大的多尺度特征融合能力，以便准确捕捉从近处细节到远处轮廓的各种尾流模式。这些统计分析为我们理解数据特性、设计网络架构以及评估模型性能提供了重要的依据，确保所提出的方法能够适应真实海洋监测场景中遇到的各种复杂情况。
