具有尺度与位置敏感性的红外小目标检测
计算机视觉与模式识别
2024-03-29 v1
摘要
近年来，红外小目标检测（IRSTD）一直被基于深度学习的方法所主导。然而，这些方法主要集中于设计复杂的模型结构以提取判别性特征，而对IRSTD的损失函数探索不足。例如，广泛使用的交并比（IoU）损失和Dice损失对目标的尺度和位置缺乏敏感性，限制了检测器的检测性能。在本文中，我们专注于通过更有效的损失函数但更简单的模型结构来提升检测性能。具体而言，我们首先提出了一种新颖的尺度与位置敏感（SLS）损失来处理现有损失的局限性：1）在尺度敏感性方面，我们基于目标尺度计算IoU损失的权重，以帮助检测器区分不同尺度的目标；2）在位置敏感性方面，我们引入基于目标中心点的惩罚项，以帮助检测器更精确地定位目标。然后，我们为普通的U-Net设计了一个简单的多尺度头（MSHNet）。通过将SLS损失应用于预测的每个尺度，我们的MSHNet大幅优于现有的SOTA方法。此外，使用我们的SLS损失进行训练时，现有检测器的检测性能可以进一步提升，证明了我们SLS损失的有效性和泛化能力。代码可在 https://github.com/ying-fu/MSHNet 获取。
引用
@article{arxiv.2403.19366,
title = {Infrared Small Target Detection with Scale and Location Sensitivity},
author = {Qiankun Liu and Rui Liu and Bolun Zheng and Hongkui Wang and Ying Fu},
journal= {arXiv preprint arXiv:2403.19366},
year = {2024}
}
备注
Accepted by CVPR 2024