本文提出了一种基于自编码器正则化和注意力机制神经网络(MCAR-CAN)的多尺度CNN图像分类方法。MCAR-CAN有两个分支:一个自动编码器分支和一个上下文注意力分支。第一个分支遵循CNN的非对称编解码结构，一个深度较深的编码器提取图像的深度特征，另一个解码器重构原始输入。译码器可以对图像进行编码，使得整个网络更加注重分类而不是重构。第二个分支的MCAR-CAN使用注意机制提取鲁棒的分类特征。分类器插入到自动编码器分支和上下文注意力分支之后。在训练深度网络时，使用一种新的训练策略来学习更平滑的流形。在推理时，自动编码器分支中的解码器被弃用。马尔可夫随机场(MRF)被当作一种后处理算法以提高分类精度。

对合成孔径雷达（SAR）图像而言，舰船检测是一项具有挑战性的任务。舰船在SAR图像中具有任意方向性和多尺度性。此外，舰船附近有很多杂物。传统的检测算法针对这些情况鲁棒性较差，并且容易在检测区域造成冗余。随着分辨率的不断提高，传统的SAR图像舰船检测算法已经无法实现对高质量SAR图像进行高精度的舰船检测。越来越多的深度学习算法应用于SAR舰船检测。

西安电子科技大学博士基金 遥感图像快速目标检测系统： 项目介绍： 本项目基于深度学习方法对高分辨率遥感影像中的飞机与舰船检测识别问题进行了深入的探索，以 YOLO模型和 SCRDet 模型为基础并进行优化改进，研制一套遥感图像飞机与舰船快速检测系统。