Prompt Learning for Oriented Power Transmission Tower Detection in High-Resolution SAR Images

从合成孔径雷达（SAR）图像中检测输电塔仍然是一项具有挑战性的任务，这是由于其相对较小的大小和侧视几何形状，以及背景杂波干扰经常阻碍了塔的识别。大量的干扰信号叠加在来自塔的回波信号上。我们发现，定位或提示输电塔的位置有助于解决这个障碍。基于这一发现，本文将提示学习引入定向物体检测器（P2Det）中，以进行多模态信息学习。P2Det包含稀疏提示编码和多模态数据之间的交叉注意力。具体而言，提出了稀疏提示编码器（SPE）来表示点位置，将提示转换为稀疏嵌入。通过Transformer层生成图像嵌入。然后提出了一个双向融合模块（TWFM），用于计算两种不同嵌入的交叉注意力。利用图像级和提示级特征的相互作用来解决杂波干扰问题。提出了一个自适应形状细化模块（SARM）来减少纵横比的影响。广泛的实验证明了所提出的模型在高分辨率SAR图像上的有效性。P2Det由于其竞争性能提供了多模态物体检测的新的见解。

本文旨在解决从合成孔径雷达（SAR）图像中检测输电塔的问题。由于SAR图像相对较小且是侧视的，背景杂波干扰经常会妨碍塔的识别。本文提出了在定向物体检测器（P2Det）中引入提示学习的方法，以解决这个问题。

本文提出的P2Det模型包含稀疏提示编码和多模态信息学习之间的交叉注意力。通过稀疏提示编码器（SPE）将点位置表示为稀疏嵌入，通过Transformer层生成图像嵌入。然后，提出了双向融合模块（TWFM）来计算两种不同嵌入之间的交叉注意力。利用图像级和提示级特征的交互来解决杂波干扰。提出了形状自适应细化模块（SARM）来减少长宽比的影响。

本文的亮点包括：提出了一种新的解决SAR图像中检测输电塔的方法；通过引入提示学习，提高了检测的准确性；提出了TWFM和SARM模块，进一步提高了检测的性能；在多个数据集上进行了实验，证明了所提出的模型的有效性。

最近在这个领域中，还有一些相关的研究，例如：“A Novel Target Detection Method for SAR Images Based on Adaptive Sparse Representation and Nonconvex Penalty”（基于自适应稀疏表示和非凸惩罚的SAR图像目标检测新方法）和“Ship Detection in SAR Images Based on Deep Learning and Superpixel Segmentation”（基于深度学习和超像素分割的SAR图像船舶检测）。