学习动态局部上下文表示用于红外小目标检测
计算机视觉与模式识别
2024-12-24 v1
摘要
红外小目标检测（ISTD）因复杂背景、低信噪比以及目标尺寸和形状的变化而具有挑战性。有效检测依赖于在恰当尺度上捕获局部上下文信息。然而，小核CNN的感受野有限，导致误报，而变换模型因全局感受野常将小目标视为噪声，导致漏报。混合模型难以弥合CNN与变换模型之间的语义鸿沟，导致复杂度高。为解决这些挑战，我们提出LCRNet—a一种学习动态局部上下文表示用于ISTD的新方法。该模型包含三个组件：（1）受偏微分方程求解器启发的C2FBlock，用于高效捕获小目标信息；（2）DLC-注意力机制，一种大核注意力机制，动态构建上下文并减少特征冗余；（3）HLKConv，一种基于大核分解的层次卷积算子，保持稀疏性并缓解稀释卷积的缺点。尽管模型简单，仅需1.65万参数，LCRNet已实现最先进（SOTA）性能。实验在多个数据集上进行，与33种SOTA方法进行比较，证明其在性能和效率方面的优势。
引用
@article{arxiv.2412.17401,
title = {Learning Dynamic Local Context Representations for Infrared Small Target Detection},
author = {Guoyi Zhang and Guangsheng Xu and Han Wang and Siyang Chen and Yunxiao Shan and Xiaohu Zhang},
journal= {arXiv preprint arXiv:2412.17401},
year = {2024}
}