Oct, 2022

iSmallNet：具有标签解耦的密集嵌套网络用于红外小目标检测

PDF
TL;DR本文提出了一种多流密集嵌套网络 iSmallNet，配合标签解耦技术针对红外小目标检测中常见的背景杂乱、易错报和 CNN 无法识别等问题，在内部地图和边界地图上解决源标签分布不均的问题，并引入多尺度嵌套交互模块和内部 - 边界融合模块以增强整个网络的性能，实验结果表明 iSmallNet 比其他 11 种最先进的检测器表现更好。
发现论文，激发创造
  • 基于 Transformer 的改进密集嵌套注意力网络用于红外小目标检测

    提出了一种基于改进的稠密嵌套注意力网络（IDNANet）的红外小目标检测方法，采用变压器架构并结合 Swine-transformer 进行特征提取，在稠密嵌套结构中引入 ACmix 注意力结构增强中间层特征，通过设计加权 Dice 二元交叉熵（WD-BCE）损失函数缓解前景 - 背景样本不平衡的负面影响。通过在公共数据集上的实验表明，该方法在检测概率（P_d）、误警率（F_a）和平均交集联合（$mIoU$）等指标上优于其他最先进的方法，NUDT-SIRST 数据集上的 $mIoU$ 为 90.89，NUAA-SIRST 数据集上为 79.72。

    Nov, 2023

  • ILNet: 突出红外小目标检测中的低级问题

    通过提出红外小目标检测的新方法 —— 红外低级网络（ILNet），结合交互极化正交特征融合模块（IPOF）和动态一维聚合层（DODA），利用集成学习思想设计代表性模块（RB），提高数据量的情况下，ILNet 在挑战性数据集上表现出了更好的性能。

    Sep, 2023

  • HCF-Net：红外小目标检测的分层上下文融合网络

    本文提出了一种深度学习方法 HCF-Net，通过多个实用模块显著提高了红外小目标检测性能。

    Mar, 2024

  • EFLNet：增强红外小目标检测的特征学习

    我们提出了一种基于 YOLOv7 框架的增强特征学习网络 (EFLNet)，以解决红外小目标检测中目标与背景之间的极端不平衡、边界框回归对红外小目标的敏感性和高级语义层中小目标信息易丢失的问题，并通过实验证明我们的方法在红外小目标检测性能方面优于最先进的基于深度学习的方法。

    Jul, 2023

  • SCTransNet：红外小目标检测的空间 - 通道交叉变换网络

    提出了一种基于空间通道交叉变换器网络（SCTransNet）的红外小目标检测方法，利用跨通道变换器块（SCTBs）以及长程跳跃连接来加强目标和背景之间的语义差异，有效地检测小尺度的红外目标。

    Jan, 2024

  • RPCANet：基于深度展开的 RPCA 的红外小目标检测

    提出了一种名为 RPCANet 的可解释深度网络，用于检测红外弱目标，通过将迭代优化更新步骤展开成深度学习框架，实现了对目标的清晰解释性和对内在图像特征的保留，在定性和定量评价中超越了基线方法，证明了深度展开框架的有效性。

    Nov, 2023

  • UNet 迷失之中：通过未被重视的局部特征提升红外小目标检测

    通过引入 HintU 网络，利用目标位置的先验知识突出关键的局部特征，并改进传统的 UNet-based 结构以保留目标像素，从而提高红外小目标检测的性能。

    Jun, 2024

  • 红外小目标检测的尺度和位置敏感性

    使用更有效但结构简单的损失函数提高检测性能，通过引入基于目标尺度的权重和基于目标中心点的惩罚项处理现有损失的局限性，并设计了一个简单的多尺度头部结构，通过在每个预测尺度上应用 Scale and Location Sensitive (SLS) 损失函数，超过现有最先进方法的检测性能。

    Mar, 2024

  • 点击 - 遮罩：基于水平集的红外小目标检测的高效标注框架

    这篇论文提出了一种劳动效率高且粗略标注框架，通过使用级数集来获得仅需一次粗略点击即可得到高质量伪掩码，解决了因小目标尺寸和过度正则化导致的零水平轮廓消失的问题，实验表明该方法在 NUAA-SIRST 和 IRSTD-1k 数据集上具有优异的性能。

    Oct, 2023

  • SpirDet: 高效、准确和轻量级红外小目标检测器

    提出了一种名为 SpirDet 的新颖方法，用于高效检测红外小目标，通过采用双分支稀疏解码器、轻量级 DO-RepEncoder 和优化参数重新表征等技术，该方法在推理速度和参数数量方面明显优于现有模型。

    Feb, 2024