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。首先，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。其次，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。最后，使用可切换空洞卷积(Switchable Atrous Convolution，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-YOLO的有效性。
文章目录
1 方法
1.1 YOLOv8算法
1.2 结构重参数化模块
1.3 基于内容感知的特征重组上采样模块
1.4 可切换空洞卷积
1.4.1 空洞卷积
1.4.2 可切换空洞卷积
2 实验
2.1 数据集
2.2 实验设置
2.3 评估指标
2.4 实验结果和分析
2.4.1 RepBlock模块有效性分析
2.4.2 CARAFE模块有效性分析
2.4.3 SAC模块有效性分析
2.4.4 消融实验
2.4.5 对比实验
3 结束语
