基于深度学习和非先验准则的小目标检测
计算机视觉与模式识别
2022-10-04 v1
摘要
小目标检测在国防应用中是一项必要却具挑战性的任务，因为将低对比度目标从自然纹理与噪声环境中区分开来仍然困难。为更好地考虑上下文信息，我们提出探索基于注意力机制的深度学习方法。具体而言，我们提出了包含通道注意力的TransUnet定制版本，其表现出显著的性能提升。此外，标注数据的缺乏导致检测精度较弱，引发许多误报。因此我们探索非先验（a contrario）方法，以筛选由弱深度学习训练检测出的有意义潜在目标。-- 小目标检测是国防领域中微妙但至关重要的问题，尤其在区分这些目标与噪声或纹理背景，或当其对比度较低时。为更好地考虑上下文信息，我们提出探索不同的深度学习分割方法，其中若干基于注意力机制。我们还提出在TransUnet（一种最先进网络）中纳入通道注意力模块，从而显著提升性能。另外，标注数据的缺乏导致检测精度下降，引发许多不相关的误报。因此我们探索非先验（a contrario）方法，以筛选由少量数据训练的网络检测出的最显著目标。
引用
@article{arxiv.2210.00755,
title = {D\'etection de petites cibles par apprentissage profond et crit\`ere a contrario},
author = {Alina Ciocarlan and Sylvie Le Hegarat-Mascle and Sidonie Lefebvre and Clara Barbanson},
journal= {arXiv preprint arXiv:2210.00755},
year = {2022}
}
备注
4 pages, in French