K=8 频域分组设置下取得最佳主指标。
Project 03 / Paper Engineering
FSMD-Net: SAR 舰船检测论文工程展示
这一页专门展示主页没有展开的论文工程:FrequencySpatialFPN 的代码模块、MMDetection/GrokSAR 配置体系、work_dirs 实验产物、K 值消融、跨数据集迁移、复杂度统计、审稿回复可视化和相位解释证据。重点是说明我如何把论文想法做成可训练、可评估、可解释、可回复审稿意见的工程体系。
论文工程总览
从模型模块到审稿回复
FSMD-Net 不是单独一个网络文件,而是一组围绕论文实验组织起来的工程资产:模型 neck、训练配置、数据集配置、可视化工具、复杂度脚本、消融表、跨域表和 rebuttal 图表。
FrequencySpatialFPN.py
configs/DenoDet
work_dirs
rebuttal_analysis
sardet100k_checkpoint_visuals_test
Flops/complexity_speed_summary.csv
结果快照
兼顾召回和定位质量。
SARDet 到 HRSID、AIR-SARShip 的跨域 AP 提升。
参数量增幅很小,延迟从 102.014ms 到 102.653ms。
代码结构与模块设计
DCT / IDCT TransformDCT2DSpatialTransformLayer、FastDCT2DSpatialTransformLayer 负责频域变换。
Axis-wise Frequency ModelingDCT2DSpatialTransformLayer_x/y 和 IDCT_x/y 用于沿不同空间轴建模。
Group SelectionGroupAttentionlayer、SelectBlock、SelectGroupFClayer 负责频域分组选择。
Spatial-Channel AttentionSpatialFCAttentionlayer、groupspatiallayer、SElayer 调整空间与通道响应。
FPN IntegrationFrequencySpatialFPN 把上述模块接入检测 neck,输出多尺度特征。
groksar/models/necks/FrequencySpatialFPN.py核心模型文件定义频域变换、分组选择、空间通道注意力和最终 FPN 接口。configs/DenoDet/*.py实验配置层按 SARDet、HRSID、AIR-SARShip 组织 baseline 与改进模型训练配置。generate_sardet100k_checkpoint_visuals.pycheckpoint 可视化批量收集 baseline / FSMD 的内部特征、频谱、summary panel 和 README。review_generate_rebuttal_visuals.py审稿回复证据生成 batch internal、phase reconstruction、gradient correlation、summary figures。脚本地图
| 类 / 模块 | 功能安排 | 工程意义 |
|---|---|---|
| DCT2D / FastDCT2D | 把空间特征投影到频域。 | 让模型显式利用 SAR 频谱线索。 |
| DCT_x / DCT_y | 沿水平/垂直方向分别处理。 | 适配舰船方向性和近岸结构干扰。 |
| GroupAttentionlayer | 计算分组注意力。 | 控制频域分组的选择权重。 |
| SelectGroupFClayer | 对频域组进行选择和融合。 | 对应 K 值消融中的关键设计点。 |
| SpatialFCAttentionlayer | 把频域响应反馈到空间特征。 | 连接“频域解释”和检测特征。 |
| FrequencySpatialFPN | 最终 neck 封装。 | 接入 MMDetection/GrokSAR 检测管线。 |
FrequencySpatialFPN.py
DCT / IDCT transform layers
x-axis / y-axis frequency transforms
GroupAttentionlayer
SelectBlock / SelectGroupFClayer
SpatialFCAttentionlayer
SElayer
FrequencySpatialFPN.forward()
configs/_base_/datasets数据集配置SARDet_100k、HRSID、AIR-SARShip 等数据域统一在 base dataset 层维护。configs/DenoDetbaseline 配置保留 DenoDet baseline,便于同配置对比。work_dirs/*实验产物每次训练沉淀 log、config、scalars、best checkpoint 和评估结果。| 实验类型 | 产物 | 回答的问题 |
|---|---|---|
| K 值消融 | k_ablation_summary.md / k_ablation.png | 频域分组 K 取多少更合适? |
| 跨数据集迁移 | cross_dataset_summary.csv | 模块是否只适配单一数据分布? |
| 复杂度统计 | complexity_speed_summary.csv | 提升是否以过高计算代价换来? |
| 显著性/多次运行 | significance_summary.csv | 指标增益是否稳定? |
annotate_internal_visual.py论文图标注为内部特征图添加坐标、图例、预设样式,服务论文展示。generate_sardet100k_checkpoint_visuals.py单样本对比包收集 baseline 与 FSMD 的 internal / phase / multiscale 可视化。review_generate_rebuttal_visuals.py批量证据生成支持 batch_100、phase cases、internal rows、gradient correlation。
summary_panel.png
neck_pyramid_fft_panel.png
neck_pyramid_act_panel.png
phase_summary_panel.png
module_summary.csv
manifest.json
analyze_rebuttal_evidence.py审稿证据汇总将跨域、复杂度、相位分析等结果整理成 rebuttal_summary。plot_complexity_metrics_figure.py复杂度图表把参数量、延迟、mAP 等指标整理为可读图。review_visualization_README.md可视化说明记录图像生成逻辑、样本选择和解释口径。- phase-only grad corr 0.677相位重构边缘与原图梯度相关性明显高于 amplitude-only。
- 跨域 AP 提升SARDet -> HRSID 与 SARDet -> AIR-SARShip 均优于 DenoDet。
- 复杂度几乎不变参数量从 65.775M 到 65.792M,延迟增加约 0.639ms。
实验闭环
- 问题定义近岸 SAR 舰船目标小、背景复杂、散射变化明显。
- 模块实现FrequencySpatialFPN 将 DCT 频域建模接入 neck。
- 主实验与 DenoDet baseline 对比主指标。
- K 值消融K=1/2/4/8/16/32,确定 K=8 最优。
- 跨域实验SARDet 训练后迁移到 HRSID / AIR-SARShip。
- 审稿回复补充复杂度、相位解释、批量可视化和显著性结果。
关键结果表
| K | AP | AP50 | AP75 |
|---|---|---|---|
| 1 | 0.566 | - | - |
| 2 | 0.561 | - | - |
| 4 | 0.565 | - | - |
| 8 | 0.572 | 0.808 | 0.638 |
| 16 | 0.569 | - | - |
| 32 | 0.570 | - | - |
| Transfer | FSMD-Net | DenoDet | Gain |
|---|---|---|---|
| SARDet -> HRSID | 0.5315 | 0.5198 | +0.0117 |
| SARDet -> AIR-SARShip-2.0 | 0.4310 | 0.3958 | +0.0351 |
论文配图与工程证据