以双层对抗框架增强红外小目标检测的鲁棒性
计算机视觉与模式识别
2023-09-06 v1
摘要
在模糊且杂乱背景下检测红外小目标一直是一项持久挑战。近年来,基于学习的方法已成为直接建立映射的主流方法。然而,这些方法易受变化背景的内在复杂性与真实世界扰动的干扰,导致不可靠且受损的目标估计。本工作中,我们提出一种双层对抗框架,以在存在明显 corruptions 时提升检测的鲁棒性。我们首先提出一种双层优化公式以引入动态对抗学习。具体而言,其由可学习的 corruptions 生成以最大化损失作为下层目标,以及提升检测器鲁棒性作为上层目标组合而成。我们还提供一种分层强化学习策略,以发现最具破坏性的 corruptions 并平衡鲁棒性与准确性之间的性能。为更好地从显著特征中解耦 corruptions,我们还提出一种空间-频率交互网络用于目标检测。大量实验表明,我们的方案在广泛种类的 corruptions 上显著提升了 21.96% IOU,并在通用基准上明显提升了 4.97% IOU。源代码见 https://github.com/LiuZhu-CV/BALISTD。
引用
@article{arxiv.2309.01099,
title = {Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework},
author = {Zhu Liu and Zihang Chen and Jinyuan Liu and Long Ma and Xin Fan and Risheng Liu},
journal= {arXiv preprint arXiv:2309.01099},
year = {2023}
}
备注
9 pages, 6 figures