DenoDet: Attention as Deformable Multi-Subspace Feature Denoising for Target Detection in SAR Images

合成孔径雷达（SAR）目标检测长期以来一直受到固有散斑噪声和微小、模糊目标的影响。虽然深度神经网络已经推进了SAR目标检测，但它们固有的低频偏差和静态的训练后权重在处理相干噪声和保留异质地形细节方面表现不佳。受传统SAR图像去噪的启发，我们提出了DenoDet，一种由显式频域变换辅助的网络，以校准卷积偏差并更多地关注高频率，形成自然的多尺度子空间表示，从多子空间去噪的角度检测目标。我们设计了TransDeno，一种动态频域注意模块，表现为变换域软阈值操作，通过保留显著的目标信号和衰减噪声在子空间中动态去噪。为了自适应地调整子空间处理的粒度，我们还提出了一个可变形的分组全连接层（DeGroFC），它根据输入特征动态地改变分组。没有花哨的东西，我们的即插即用的TransDeno在多个SAR目标检测数据集上取得了最先进的分数。代码可在https://github.com/GrokCV/GrokSAR获得。

本论文旨在解决合成孔径雷达（SAR）目标检测中存在的噪声问题和模糊目标的普遍存在问题。同时，论文也试图验证基于频域变换的神经网络在SAR目标检测中的有效性。

论文提出了一种名为DenoDet的网络，通过显式频域变换来校准卷积偏差，更多地关注高频信息，形成自然的多尺度子空间表示，从多子空间去噪的角度来检测目标。同时，论文还设计了TransDeno动态频域注意力模块，它作为一个变换域软阈值操作，通过保留显著的目标信号和减弱噪声来动态去噪。为了自适应地调整子空间处理的粒度，论文还提出了一个可变形组全连接层（DeGroFC），它根据输入特征动态变化组的条件。

论文的亮点包括：使用了基于频域变换的神经网络来解决SAR目标检测中的噪声问题；提出了TransDeno动态频域注意力模块来动态去噪；使用DeGroFC可变形组全连接层来自适应地调整子空间处理的粒度。论文在多个SAR目标检测数据集上取得了最先进的成绩。同时，作者还提供了开源代码。

近期在SAR目标检测领域的相关研究包括："SAR目标检测的深度学习方法综述"（A Survey of Deep Learning Methods for SAR Target Detection）和"基于深度学习的SAR目标检测方法"（SAR Target Detection Method Based on Deep Learning）。