Sep, 2023

基于双层对抗框架增强红外小目标检测鲁棒性

PDF
TL;DR在本文中，我们提出了一个双层对抗性框架，在存在不同类型干扰的情况下提升了检测的鲁棒性。我们首先提出了一个双层优化的公式来引入动态对抗性学习，同时提供了一种分层增强学习策略来发现最有害的干扰。此外，我们还提出了一种用于目标检测的空间频率交互网络，以更好地分离干扰和显著特征。广泛实验证明我们的方案明显改善了在多种干扰下的 21.96％ IOU，并在通常的基准测试中提升了 4.97％的 IOU。
infrared targetsadversarial frameworkcorruptionsreinforced learningtarget detection
发现论文，激发创造
  • 针对目标的双重对抗学习及用于融合红外和可见光进行目标检测的多场景多模态基准

    本文提出了一种基于双层优化的目标感知对抗学习（TarDAL）用于融合热红外和可见光图像的网络，结合了两者的共性和差异，同时建立了一套同时采集红外和光学图像的标定传感器，实现了对不同场景的目标检测并获得了较高性能。

    Mar, 2022

  • 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

  • 红外图像中小目标检测综述

    利用传统图像处理和深度学习方法，本文提出了一个基于 IR 图像的小目标检测综述，总结了该领域的进展和方法，并对现有技术的不足和未来研究方向进行了讨论。

    Nov, 2023

  • 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

  • 通过后验分布建模减轻红外小目标检测的目标级不敏感性

    本文提出了一种用于红外小目标检测的扩散模型框架，通过模拟像素级判别与掩模后验分布建模相结合，转变了从判别范式到生成范式的方法，以绕过目标级的不敏感性，并设计了小波域中的低频隔离以抑制内在红外噪声对扩散噪声估计的干扰。实验证明，该方法在 NUAA-SIRST、IRSTD-1k 和 NUDT-SIRST 数据集上相对于最先进的方法具有竞争性的性能优势。

    Mar, 2024

  • 双边对抗训练：快速训练更健壮的模型以抵御对抗性攻击

    本文提出了一种 Bilateral Adversarial Training 方法，使用一步定向攻击生成对抗样本来训练一个抗攻击性更强的神经网络，实验结果表明该方法对于对抗性攻击的鲁棒性有显著提升。

    Nov, 2018

  • 预防性图像稳健处理以保护用户免受中间人攻击

    本论文提出了一种新颖的双层优化算法，该算法可以在自然图像环境下找到对抗扰动鲁棒的点，有效提高图像识别的鲁棒性。

    Dec, 2021

  • iSmallNet：具有标签解耦的密集嵌套网络用于红外小目标检测

    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。

    Oct, 2022

  • 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

  • 基于 YOLO 的红外小目标检测中的 $a ~ contrario$ 范式

    利用 “对原则” 决策标准将统计标准添加到 YOLOv7-tiny 中，从而使其在红外小目标检测和目标检测网络之间填补了性能差距，并显著增强了 YOLO 在少样本情况下的鲁棒性。

    Feb, 2024