梯度引导学习网络用于红外小目标检测
计算机视觉与模式识别
2025-12-11 v1
摘要
近年来，红外小目标检测引起了广泛关注。然而，由于红外小目标尺寸小且缺乏固有特征，现有方法普遍存在边缘定位不准确、目标容易被背景淹没的问题。因此，我们提出了一种创新的梯度引导学习网络（GGL-Net）。具体而言，我们首次探索了将梯度幅值图像引入基于深度学习的红外小目标检测方法，这有利于强调边缘细节并缓解小目标边缘定位不准确的问题。在此基础上，我们提出了一种新颖的双分支特征提取网络，利用所提出的梯度补充模块（GSM）将原始梯度信息编码到更深层的网络层中，并合理嵌入注意力机制以增强特征提取能力。此外，我们构建了一个双向引导融合模块（TGFM），充分考虑了不同层级特征图的特性。它可以通过合理的双向引导促进多尺度特征图的有效融合，并提取更丰富的语义信息和细节信息。大量实验证明，GGL-Net在公开真实NUAA-SIRST数据集和公开合成NUDT-SIRST数据集上取得了最先进的性能。我们的代码已集成至 https://github.com/YuChuang1205/MSDA-Net
引用
@article{arxiv.2512.09497,
title = {Gradient-Guided Learning Network for Infrared Small Target Detection},
author = {Jinmiao Zhao and Chuang Yu and Zelin Shi and Yunpeng Liu and Yingdi Zhang},
journal= {arXiv preprint arXiv:2512.09497},
year = {2025}
}
备注
Accepted by GRSL 2023