异常感知YOLO：面向红外小目标检测的经济实惠且稳健的方法
计算机视觉与模式识别
2026-02-20 v1
摘要
红外小目标检测（IRSTD）是防御应用中的一个具有挑战性的任务，复杂背景和小目标尺寸常导致常规目标检测器产生大量误报。为克服这一局限，我们提出异常感知YOLO（AA-YOLO），将统计异常检测测试集成到检测头中。通过将小目标视为背景下的意外模式，AA-YOLO有效控制了误报率。我们的方法不仅在多个IRSTD基准上实现了具竞争力的性能，还在数据有限、噪声和domain shift等场景下表现出卓越的鲁棒性。此外，由于仅修改检测头， our 设计高度通用，已成功应用于各种YOLO backbone，包括轻量级模型，也可集成到实例分割YOLO中。这一灵活性使AA-YOLO成为资源受限环境中实用部署的吸引人选择。代码将公开发布。
引用
@article{arxiv.2510.04741,
title = {Anomaly-Aware YOLO: A Frugal yet Robust Approach to Infrared Small Target Detection},
author = {Alina Ciocarlan and Sylvie Le Hégarat-Mascle and Sidonie Lefebvre},
journal= {arXiv preprint arXiv:2510.04741},
year = {2026}
}