The rapid detection of ships within the wide sea area is essential for intelligence acquisition. Most modern deep learning-based ship detection methods focus on locating ships in high-resolution (HR) remote sensing (RS) images. Seldom efforts have been made on ship detection in medium-resolution (MR) RS images. An MR image covers a much wider area than an HR one of the same size, thus facilitating quick ship detection. To this end, we propose a tiny ship detection method, namely, the degraded reconstruction enhancement network (DRENet), for MR RS images. Different from previous methods that mainly focus on feature fusion strategies to improve the expression ability of the detector, we design an additional network branch, i.e., degraded reconstruction enhancer, to learn to regress an object-aware blurred version of the input image in the training phase. Our intuition is that the proposed reconstruction branch may guide the backbone to focus more on tiny ship targets instead of the vast background. Moreover, we incorporate a CRoss-stage Multi-head Attention module in the detector to further improve the feature discrimination by leveraging the self-attention mechanism. To fill the gap of lacking a large-scale MR ship detection dataset, we introduce LEVIR-Ship, which contains 3896 GF-1/GF-6 multispectral images and over 3k tiny ship instances. Experiments on LEVIR-Ship validate the effectiveness and efficiency of the proposed method. Our method achieves 82.4 AP with 85 FPS, which outperforms many state-of-the-art ship detection methods. Our code and dataset are available at https://github.com/WindVChen/DRENet.

中文翻译：

---

一种基于降级重建增强的遥感图像小船检测方法，具有新的大规模数据集

快速探测广阔海域内的船舶对于情报获取至关重要。大多数现代基于深度学习的船舶检测方法都侧重于在高分辨率 (HR) 遥感 (RS) 图像中定位船舶。很少有人在中分辨率（MR）RS图像中进行船舶检测。MR 图像比相同尺寸的 HR 图像覆盖的区域更广，从而有助于快速检测船舶。为此，我们提出了一种用于 MR RS 图像的微型船舶检测方法，即退化重建增强网络 (DRENet)。与以往主要关注特征融合策略以提高检测器表达能力的方法不同，我们设计了一个额外的网络分支，即退化重建增强器，学习在训练阶段回归输入图像的对象感知模糊版本。我们的直觉是，提议的重建分支可能会引导主干更多地关注微小的船舶目标，而不是广阔的背景。此外，我们在检测器中加入了一个 CRoss-stage Multi-head Attention 模块，通过利用自注意力机制进一步提高特征识别能力。为了填补缺乏大规模 MR 船舶检测数据集的空白，我们引入了 LEVIR-Ship，它包含 3896 张 GF-1/GF-6 多光谱图像和超过 3k 个微型船舶实例。LEVIR-Ship 上的实验验证了所提方法的有效性和效率。我们的方法以 85 FPS 的速度实现了 82.4 AP，优于许多最先进的船舶检测方法。我们的代码和数据集可在 我们的直觉是，提议的重建分支可能会引导主干更多地关注微小的船舶目标，而不是广阔的背景。此外，我们在检测器中加入了一个 CRoss-stage Multi-head Attention 模块，通过利用自注意力机制进一步提高特征识别能力。为了填补缺乏大规模 MR 船舶检测数据集的空白，我们引入了 LEVIR-Ship，它包含 3896 张 GF-1/GF-6 多光谱图像和超过 3k 个微型船舶实例。LEVIR-Ship 上的实验验证了所提方法的有效性和效率。我们的方法以 85 FPS 的速度实现了 82.4 AP，优于许多最先进的船舶检测方法。我们的代码和数据集可在 我们的直觉是，提议的重建分支可能会引导主干更多地关注微小的船舶目标，而不是广阔的背景。此外，我们在检测器中加入了一个 CRoss-stage Multi-head Attention 模块，通过利用自注意力机制进一步提高特征识别能力。为了填补缺乏大规模 MR 船舶检测数据集的空白，我们引入了 LEVIR-Ship，它包含 3896 张 GF-1/GF-6 多光谱图像和超过 3k 个微型船舶实例。LEVIR-Ship 上的实验验证了所提方法的有效性和效率。我们的方法以 85 FPS 的速度实现了 82.4 AP，优于许多最先进的船舶检测方法。我们的代码和数据集可在 此外，我们在检测器中加入了一个 CRoss-stage Multi-head Attention 模块，通过利用自注意力机制进一步提高特征识别能力。为了填补缺乏大规模 MR 船舶检测数据集的空白，我们引入了 LEVIR-Ship，它包含 3896 张 GF-1/GF-6 多光谱图像和超过 3k 个微型船舶实例。LEVIR-Ship 上的实验验证了所提方法的有效性和效率。我们的方法以 85 FPS 的速度实现了 82.4 AP，优于许多最先进的船舶检测方法。我们的代码和数据集可在 此外，我们在检测器中加入了一个 CRoss-stage Multi-head Attention 模块，通过利用自注意力机制进一步提高特征识别能力。为了填补缺乏大规模 MR 船舶检测数据集的空白，我们引入了 LEVIR-Ship，它包含 3896 张 GF-1/GF-6 多光谱图像和超过 3k 个微型船舶实例。LEVIR-Ship 上的实验验证了所提方法的有效性和效率。我们的方法以 85 FPS 的速度实现了 82.4 AP，优于许多最先进的船舶检测方法。我们的代码和数据集可在 其中包含 3896 张 GF-1/GF-6 多光谱图像和超过 3k 个微型船舶实例。LEVIR-Ship 上的实验验证了所提方法的有效性和效率。我们的方法以 85 FPS 的速度实现了 82.4 AP，优于许多最先进的船舶检测方法。我们的代码和数据集可在 其中包含 3896 张 GF-1/GF-6 多光谱图像和超过 3k 个微型船舶实例。LEVIR-Ship 上的实验验证了所提方法的有效性和效率。我们的方法以 85 FPS 的速度实现了 82.4 AP，优于许多最先进的船舶检测方法。我们的代码和数据集可在https://github.com/WindVchen/DRENet.