轻量级深度展开网络：用于红外小目标检测的增强鲁棒性
计算机视觉与模式识别
2025-09-11 v1
摘要
红外小目标检测（ISTD）是图像处理中的关键技术之一。尽管深度展开网络（DUNs）由于其模型可解释性和数据可适应性在 ISTD 中显示出前景的性能，但现有方法在参数轻量化和噪声鲁棒性方面仍面临重大挑战。鉴于此，我们提出了一个基于鲁棒主成分分析（RPCA）的高度轻量级框架，称为 L-RPCANet。技术上，构建了分层瓶颈结构，以实现单通道输入红外图像的通道维度的减小和增大，以实现通道级别的特征细化，其中在每个模块中设计了瓶颈层以提取特征。这减少了特征提取的通道数，从而提高了网络参数的轻量化。此外，嵌入了一个降噪模块以增强对复杂噪声的鲁棒性。此外，利用squeeze-and-excitation网络（SENets）作为通道注意力机制，以聚焦于不同通道上不同特征的重要性，从而在保持轻量化和鲁棒性的同时实现卓越的性能。在 ISTD 数据集上进行的大量实验验证了我们所提出方法相对于覆盖 RPCANet、DRPCANet 和 RPCANet++ 的最先进方法的优势。该代码将在 https://github.com/xianchaoxiu/L-RPCANet 上提供。
引用
@article{arxiv.2509.08205,
title = {Lightweight Deep Unfolding Networks with Enhanced Robustness for Infrared Small Target Detection},
author = {Jingjing Liu and Yinchao Han and Xianchao Xiu and Jianhua Zhang and Wanquan Liu},
journal= {arXiv preprint arXiv:2509.08205},
year = {2025}
}