DENet：用于红外小目标检测的双路径边缘网络与全局-局部注意力机制

红外小目标检测对于灾害预警和海洋监控等遥感应用至为重要。然而，由于缺乏显著的纹理和形态特征，红外小目标容易与杂乱噪声背景混合。在此任务上设计深度模型的核心挑战在于，捕捉微小目标的高分辨率空间细节与提取更大目标的鲁棒语义上下文之间存在内在冲突，常导致特征错位和性能次优。现有方法常依赖固定梯度算子或简单注意力机制，难以在低对比度和高噪声环境下准确提取目标边缘。本文提出一种 novel 双路径边缘网络（Dual-Path Edge Network），通过将边缘增强和语义建模解耦为两个互补的处理路径来显式解决上述挑战。第一路径采用双向交互模块（Bidirectional Interaction Module），运用局部自注意力（Local Self-Attention）和全局自注意力（Global Self-Attention）捕捉多尺度的局部和全局特征依赖关系。基于 Transformer 架构的全局注意力机制整合长程语义关系和上下文信息，确保稳健的场景理解。第二路径引入多尺度边缘细化器（Multi-Edge Refiner），通过级联 Taylor 有限差分算子在多个尺度上增强细粒度边缘细节。这种数学方法结合注意力驱动的门控机制，实现了针对不同尺寸目标的精准边缘定位和特征增强，同时有效抑制噪声。该方法为实现红外小目标的精准检测与定位提供了可行方案，将结构语义与边缘细化统一于一个框架中。