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
FSMD-Net 网络结构图
论文结构图用于说明频域空间建模模块在检测网络中的位置和作用。

结果快照

Best AP0.572

K=8 频域分组设置下取得最佳主指标。

AP50 / AP750.808 / 0.638

兼顾召回和定位质量。

Cross Dataset+1.17 / +3.51

SARDet 到 HRSID、AIR-SARShip 的跨域 AP 提升。

Extra Cost+0.017M

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

  1. 问题定义近岸 SAR 舰船目标小、背景复杂、散射变化明显。
  2. 模块实现FrequencySpatialFPN 将 DCT 频域建模接入 neck。
  3. 主实验与 DenoDet baseline 对比主指标。
  4. K 值消融K=1/2/4/8/16/32,确定 K=8 最优。
  5. 跨域实验SARDet 训练后迁移到 HRSID / AIR-SARShip。
  6. 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

KAPAP50AP75
10.566--
20.561--
40.565--
80.5720.8080.638
160.569--
320.570--
TransferFSMD-NetDenoDetGain
SARDet -> HRSID0.53150.5198+0.0117
SARDet -> AIR-SARShip-2.00.43100.3958+0.0351

论文配图与工程证据