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

基于热传导理论原理，本论文提出热传导启发的变形器（TCI-Former）用于红外小目标检测（ISTD），通过特征图演化的角度描述 ISTD 过程，设计了热传导启发的注意力模块（TCIA）和热传导边界模块（TCBM），在 IRSTD-1k 和 NUAA-SIRST 数据集上的实验证明了方法的优越性。

Feb, 2024

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

SCTNet 是一种采用变换器语义信息的单分支卷积神经网络，用于实时分割任务，并在 Cityscapes、ADE20K 和 COCO-Stuff-10K 数据集上展现出最新的最先进性能。

Dec, 2023

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

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

提出了一种名为 UCTransNet 的新语义分割框架，该框架采用注意机制和跨通道特征融合，能够替代传统 U-Net 中的跳跃连接，以实现对复杂医学图像的准确分割。实验结果表明，UCTransNet 在不同数据集和传统架构中具有更精确的分割性能，并较传统算法实现了一定的改进。

Sep, 2021

RGB-T 跟踪中，如何更好地融合跨模态特征是核心问题。本文利用直接融合跨模态通道与空间特征的方法，提出了 CSTNet，使用 ViT 作为主干，并插入了跨模态通道特征融合模块和跨模态空间特征融合模块，实现了 RGB 和 TIR 特征的直接交互。通过综合实验，CSTNet 在三个公共 RGB-T 跟踪基准上取得了最好的性能。

May, 2024

通过将卷积网络与 Transformer 相结合的结构，本文探索了一种用于高效红外小目标检测的 Mamba-in-Mamba 结构，该结构通过对局部块进行子块分解，利用每个子块之间的相互作用来大大提升 MiM-ISTD 的表征能力和计算效率。实验证明，MiM-ISTD 方法的准确性和效率均优于现有方法，其推理速度比 SOTA 快 10 倍，并且在推理过程中减少了 73.4% 的 GPU 内存使用量，克服了在高分辨率红外图像上执行基于 Mamba 的理解时的计算和内存限制。

Mar, 2024

本文提出了一种简单的模块化卷积神经网络架构，采用膨胀卷积，仅在小的缩放帧上运行，并使用 TRECVID IACC.3 数据集的选定段随机生成的转换来进行训练，实现了在单个中等 GPU 上具有高于实时推断速度的 RAI 数据集上的最新结果。

Jun, 2019