Jun, 2024

多尺度方向感知网络用于红外小目标检测

PDF
TL;DR提出了一个多尺度方向感知网络（MSDA-Net），首次尝试将红外小目标的高频方向特征作为领域先验知识集成到神经网络中，并通过创新的多方向特征感知（MDFA）模块、多尺度局部关联学习（MLRL）模块、高频方向注入（HFDI）模块等进行完整的特征提取和定位。大量实验结果表明，MSDA-Net 在公共数据集 NUDT-SIRST、SIRST 和 IRSTD-1k 上实现了最新的最佳效果。
infrared small target detectiondeep learningdirectional featuresmulti-scale direction-aware networkfeature aggregation
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

  • SAR-Net: 多尺度定向感合成孔径雷达网络

    SAR-Net 是一个专门设计用于合成孔径雷达 (SAR) 目标检测中全局融合方向感知信息的创新框架，通过 Unity 补偿机制 (UCM) 和方向感知注意模块 (DAM) 实现了全局信息融合和消除背景干扰的功能。通过在飞机和船只数据集上进行实验，验证了 SAR-Net 在目标检测领域取得了最先进的结果，证实了其泛化能力和鲁棒性。

    Dec, 2023

  • 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

  • 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

  • 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

  • 红外和可见光图像融合的多尺度信息融合框架

    我们提出了一种多尺度双注意 (MDA) 框架，用于红外和可见光图像融合，在图像和块级别测量和整合互补信息，并通过损失函数在结构和特征级别进行融合。

    Dec, 2023

  • 多源视频领域自适应：时间注意力动态对齐

    本文介绍了一种新的 Temporal Attentive Moment Alignment Network 模型，针对 Multi-Source Video Domain Adaptation 问题，通过动态对齐空间和时间特征矩阵，同时构建具有鲁棒性的全局时间特征以提高精度。作者还提出了相应的测试基准，实验证明该模型在 Multi-Source Video Domain Adaptation 问题上有着卓越的表现。

    Sep, 2021

  • 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