Mar, 2024

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

PDF
TL;DR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。
infrared small target detectiondiscriminative approachesdiffusion model frameworkmask posterior distribution modelinglow-frequency isolation
发现论文，激发创造
  • 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

  • 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

  • 基于自监督学习的大规模负样本合成技术在红外小目标检测中的应用

    通过负样本增强方法，本研究提出了一种针对红外小目标检测的算法，与其他最先进方法相比，在概率检测率（Pd）、虚警率（Fa）和交并比（IoU）等方面取得了卓越的性能。

    Mar, 2024

  • MiM-ISTD：高效红外小目标检测中的蟒蛇嵌套

    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

  • TCI-Former: 红外小目标探测的热传导启发式 Transformer

    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

  • 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

  • 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

  • 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

  • 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

  • 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