超越运动线索与结构稀疏性：重访小运动目标检测
计算机视觉与模式识别
2025-09-10 v1
摘要
小运动目标检测对许多国防应用至关重要，但由于低信噪比、模糊的视觉线索和杂乱背景，仍然极具挑战性。在这项工作中，我们提出了一种新颖的深度学习框架，该框架从根本上不同于现有方法，现有方法通常依赖于目标特定特征或运动线索，且在复杂环境中往往缺乏鲁棒性。我们的核心见解是，小目标检测和背景判别本质上是耦合的，即使是杂乱的视频背景也常常表现出强低秩结构，可以作为检测的稳定先验。我们将该任务重新表述为基于张量的低秩与稀疏分解问题，并对背景、目标和噪声分量进行了理论分析以指导模型设计。基于这些见解，我们引入了TenRPCANet，这是一种对目标特性假设极少的深度神经网络。具体来说，我们提出了一种标记化策略，通过自注意力机制隐式地施加多阶张量低秩先验。该机制捕捉局部和非局部自相似性来建模低秩背景，而无需依赖显式的迭代优化。此外，受张量RPCA中稀疏分量更新的启发，我们设计了一个特征细化模块来增强目标显著性。所提出的方法在两个高度不同且具有挑战性的任务上实现了最先进的性能：多帧红外小目标检测和空间目标检测。这些结果证明了我们方法的有效性和泛化能力。
引用
@article{arxiv.2509.07654,
title = {Beyond Motion Cues and Structural Sparsity: Revisiting Small Moving Target Detection},
author = {Guoyi Zhang and Siyang Chen and Guangsheng Xu and Zhihua Shen and Han Wang and Xiaohu Zhang},
journal= {arXiv preprint arXiv:2509.07654},
year = {2025}
}