复杂背景下基于 Transformer 的红外小暗目标检测
计算机视觉与模式识别
2021-11-12 v2
摘要
红外小暗目标检测是红外搜索与跟踪系统的关键技术之一。由于与红外小暗目标相似的局部区域遍布整个背景，探索大范围依赖下图像特征间的交互信息以挖掘目标与背景之间的差异对于鲁棒检测至关重要。然而，现有的基于深度学习的方法受限于卷积神经网络的局部性，削弱了其捕获大范围依赖的能力。此外，红外目标的小暗外观使得检测模型极易发生漏检。为此，我们提出了一种基于 Transformer 的鲁棒且通用的红外小暗目标检测方法。我们采用 Transformer 的自注意力机制在更大范围内学习图像特征的交互信息。此外，我们设计了一个特征增强模块来学习小暗目标的判别性特征，以避免漏检。随后，为避免目标信息丢失，我们采用带有类 U-Net 跳跃连接操作的解码器以保留更多小暗目标的信息。最后，我们通过分割头获得检测结果。在两个公开数据集上的大量实验表明，所提方法明显优于 SOTA 方法，且具有更强的跨场景泛化能力和抗噪性能。
引用
@article{arxiv.2109.14379,
title = {Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds},
author = {Fangcen Liu and Chenqiang Gao and Fang Chen and Deyu Meng and Wangmeng Zuo and Xinbo Gao},
journal= {arXiv preprint arXiv:2109.14379},
year = {2021}
}