EFLNet：增强特征学习用于红外小目标检测
计算机视觉与模式识别
2024-02-28 v2
摘要
单帧红外小目标检测被认为是一项具有挑战性的任务，由于目标与背景之间极度不平衡，边界框回归对红外小目标极为敏感，且目标信息在高层语义层中容易丢失。本文提出一种增强特征学习网络（EFLNet）以解决这些问题。首先，我们注意到红外图像中目标与背景之间存在极度不平衡，使得模型更关注背景特征而非目标特征。针对该问题，我们提出一种新的自适应阈值焦点损失（ATFL）函数，将目标与背景解耦，并利用自适应机制调整损失权重以迫使模型将更多注意力分配给目标特征。其次，我们引入归一化高斯 Wasserstein 距离（NWD）以缓解因边界框回归对红外小目标极度敏感而导致的收敛困难。最后，我们将动态头机制融入网络，以实现对各语义层相对重要性的自适应学习。实验结果表明，与当前最先进（SOTA）的基于深度学习的方法相比，我们的方法在红外小目标检测性能上取得了更好的表现。源代码与边界框标注数据集可在 https://github.com/YangBo0411/infrared-small-target 获取。
引用
@article{arxiv.2307.14723,
title = {EFLNet: Enhancing Feature Learning for Infrared Small Target Detection},
author = {Bo Yang and Xinyu Zhang and Jian Zhang and Jun Luo and Mingliang Zhou and Yangjun Pi},
journal= {arXiv preprint arXiv:2307.14723},
year = {2024}
}