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
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
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
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
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
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
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
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
本文提出了一种基于通道自注意机制和残差连接的新型 UNet 图像分割算法,通过改进图像中不同项目之间的内部连接,显著提高了遮挡遥感图像分割的结果。在 FoodNet 数据集上,与传统 UNet 相比,新的网络模型将平均交并比提高了 2.48%。
Apr, 2023
远程感知图像变化检测中存在虚警和缺失检测的问题。本论文提出了一种新型网络 Triplet UNet (T-UNet),通过三支编码器同时提取目标特征和前后时间相位图像之间的变化特征。为了有效地交互和融合三支编码器提取的特征,我们提出了一个多支空间 - 光谱交叉注意力模块 (MBSSCA)。在解码器阶段,引入了通道注意力机制 (CAM) 和空间注意力机制 (SAM),以充分挖掘浅层的细节纹理信息和深层的语义定位信息。
Aug, 2023
本文介绍了一种名为 WiTUnet 的新型 LDCT 图像去噪方法,该方法利用嵌套的密集跳跃路径代替传统的跳跃连接来改进特征整合,同时在编码器和解码器中增加了局部图像感知增强 (LiPe) 模块以提高局部特征捕获和表示能力;通过广泛的实验比较,WiTUnet 在峰值信噪比 (PSNR)、结构相似度 (SSIM) 和均方根误差 (RMSE) 等关键指标上表现出优越的性能,显著提高了去噪和图像质量。
Apr, 2024