面向微弱目标检测的时空聚合探索：基准数据集与基线方法
计算机视觉与模式识别
2023-08-07 v2
摘要
我们致力于一项鲜有探索的任务——微弱目标检测（IOD），其旨在定位具有以下特征的目标：（1）形状不定且边界模糊；（2）与周围环境相似；（3）缺乏颜色特征。因此，在单一静态帧中区分微弱目标要困难得多，而空间与时间信息的协同表示至关重要。为此，我们构建了IOD-Video数据集，包含600段视频（141,017帧），覆盖不同光谱范围捕获的多种距离、尺寸、可见度与场景。此外，我们开发了用于IOD的时空聚合框架，其中部署了不同骨干网络，并精心设计了时空聚合损失（STAloss）以利用时间轴上的一致性。在IOD-Video数据集上的实验表明，时空聚合能显著提升IOD性能。我们希望本研究能吸引更多针对这一有价值且具挑战性任务的后续探索。代码将发布于：\url{https://github.com/CalayZhou/IOD-Video}。
引用
@article{arxiv.2206.11459,
title = {Explore Spatio-temporal Aggregation for Insubstantial Object Detection: Benchmark Dataset and Baseline},
author = {Kailai Zhou and Yibo Wang and Tao Lv and Yunqian Li and Linsen Chen and Qiu Shen and Xun Cao},
journal= {arXiv preprint arXiv:2206.11459},
year = {2023}
}