ILNet：底层信息对显著红外小目标检测至关重要
计算机视觉与模式识别
2023-09-26 v1
摘要
红外小目标检测是一种从红外杂波背景中搜寻小目标的技术。由于高层语义信息的匮乏，红外小目标特征在 CNN 深层被削弱，未能充分发挥 CNN 的表征能力。针对上述问题，本文提出一种红外底层网络（ILNet），将红外小目标视为语义信息匮乏的显著区域。与其他 SOTA 方法不同，ILNet 更关注底层信息而非对其等量对待。本文提出一种名为交互式极化正交融合模块（IPOF）的新型轻量级特征融合模块，其将浅层更重要的底层特征整合进深层。IPOF 中插入了动态一维聚合层（DODA），以根据输入通道数动态调整低维信息的聚合。此外，利用集成学习思想设计了代表块（RB），以动态分配浅层与深层的权重。在具有挑战性的 NUAA-SIRST（78.22% nIoU 和 1.33e-6 Fa）和 IRSTD-1K（68.91% nIoU 和 3.23e-6 Fa）数据集上的实验结果表明，所提 ILNet 优于其他 SOTA 方法。而且，ILNet 可随数据量增大获得更显著的提升。训练代码见 https://github.com/Li-Haoqing/ILNet。
引用
@article{arxiv.2309.13646,
title = {ILNet: Low-level Matters for Salient Infrared Small Target Detection},
author = {Haoqing Li and Jinfu Yang and Runshi Wang and Yifei Xu},
journal= {arXiv preprint arXiv:2309.13646},
year = {2023}
}