مقاله تشخیص کشتی در تصاویر SAR با حلقه انسان

چکیده

Synthetic aperture radar (SAR) has been extensively utilized in maritime domains due to its all-weather, all-day monitoring capabilities, particularly exhibiting significant value in ship detection. In recent years, deep learning methods have increasingly been utilized for refined ship detection. However, learning-based methods exhibit poor generalization when confronted with new scenarios and data, necessitating expert intervention for continuous annotation. Currently, the degree of automation in human-machine collaboration within this field, especially in annotating new data, is not high, leading to labor- and computation-intensive model iteration and updates. Addressing these issues, a ship detection framework in SAR images with human-in-the-loop (HitL) is proposed. Incorporating the concept of HitL, tailored active learning strategies are designed for SAR ship detection tasks to present valuable samples to users, and an interactive human-machine interface (HMI) is established to efficiently collect user feedback. Consequently, user input is utilized in each interaction round to enhance model performance. Employing the proposed framework, an annotated ship database of SAR images is constructed, and the iteration experiments conducted during the construction demonstrates the efficiency of the method, providing new perspectives and approaches for research in this domain.

چکیده به فارسی (ترجمه ماشینی)

رادار دیافراگم مصنوعی (SAR) به دلیل قابلیت های نظارت همه روزه و همه روزه ، به ویژه در حوزه های دریایی مورد استفاده قرار گرفته است ، به ویژه در تشخیص کشتی دارای ارزش قابل توجهی است.در سالهای اخیر ، از روشهای یادگیری عمیق به طور فزاینده ای برای تشخیص کشتی تصفیه شده استفاده شده است.با این حال ، روشهای مبتنی بر یادگیری هنگام مواجهه با سناریوها و داده های جدید ، تعمیم ضعیفی را نشان می دهند ، و این امر نیاز به مداخله متخصص برای حاشیه نویسی مداوم دارد.در حال حاضر ، میزان اتوماسیون در همکاری انسان در این زمینه ، به ویژه در حاشیه نویسی داده های جدید ، زیاد نیست و منجر به تکرار مدل و به روزرسانی های مدل با محاسبه و محاسبات می شود.با پرداختن به این مسائل ، یک چارچوب تشخیص کشتی در تصاویر SAR با حلقه انسان (HITL) ارائه شده است.با در نظر گرفتن مفهوم HITL ، استراتژی های یادگیری فعال متناسب برای کارهای تشخیص کشتی SAR طراحی شده است تا نمونه های ارزشمندی را به کاربران ارائه دهد ، و یک رابط تعاملی انسانی (HMI) برای جمع آوری کارآمد بازخورد کاربر ایجاد شده است.در نتیجه ، از ورودی کاربر در هر دور تعامل برای افزایش عملکرد مدل استفاده می شود.با استفاده از چارچوب پیشنهادی ، یک پایگاه داده کشتی حاشیه نویسی از تصاویر SAR ساخته شده است ، و آزمایش های تکرار انجام شده در طول ساخت و ساز ، کارآیی روش را نشان می دهد ، و دیدگاه ها و رویکردهای جدیدی را برای تحقیقات در این حوزه ارائه می دهد.