一种用于红外小目标检测与分割的多任务框架
计算机视觉与模式识别
2022-10-05 v1
摘要
由于红外图像背景复杂且含噪声，红外小目标检测是计算机视觉领域最困难的问题之一。在大多数现有研究中，通常采用语义分割方法以取得更好结果，并从分割图中计算每个目标的质心作为检测结果。相比之下，本文提出一种新颖的端到端红外小目标检测与分割框架。首先，以UNet为主干以保留分辨率与语义信息，所提模型通过附加简单的无锚头便可取得高于其他SOTA方法的检测精度。随后，使用金字塔池化模块进一步提取特征并提升目标分割精度。接着，我们利用更关注像素级特征的语义分割任务辅助目标检测的训练过程，从而提高了平均精度并使模型能检测出部分先前不可检测的目标。此外，我们开发了红外小目标检测与分割的多任务框架。与复合单任务模型相比，多任务学习模型在保持精度的同时将复杂度降低近半、推理速度提升近一倍。代码与模型已公开于https://github.com/Chenastron/MTUNet。
引用
@article{arxiv.2206.06923,
title = {A Multi-task Framework for Infrared Small Target Detection and Segmentation},
author = {Yuhang Chen and Liyuan Li and Xin Liu and Xiaofeng Su and Fansheng Chen},
journal= {arXiv preprint arXiv:2206.06923},
year = {2022}
}