精细分类准度近九成
专为SAR渔船细粒度识别设计，四个创新模块强化特征提取与融合，并配自适应损失缓解类不平衡。
Guan, Yanan · 张晰 · 陈思伟 · Liu, Genwang · 贾永君 · Zhang, Yi · Gao, Gui · Zhang, Jie · 李忠伟 · Cao, Chenghui
IEEE Transactions on Geoscience and Remote Sensing 2023
多路径特征提取模块从不同感受野捕获细节，特征融合模块将浅层与深层信息结合，使模型能够学习到渔船之间微小的类间差异。
设计的自适应损失函数能够根据类别分布动态调整权重，减轻类别不平衡对训练的影响，避免模型偏向样本数多的类别。
与深度学习和SAR目标分类领域的33种先进方法进行比较，FishNet的准确率比第二名高出6.77%，证明其设计的有效性。
构建了包含116艘刺网渔船、72艘围网渔船和181艘拖网渔船的高分辨率细粒度数据集FishingVesselSAR，为模型训练提供了必要的数据基础。