LoHGNet：基于洛伦兹几何编码与高阶关系学习的红外小目标检测
计算机视觉与模式识别
2026-05-11 v1
摘要
红外小目标检测(IRSTD)因目标线索稀缺和背景杂波严重而仍具挑战性。目前大多数方法依赖常规特征学习和局部交互建模，其中特征在欧几里得空间中表示。然而，这类设计在描述弱目标的细微差异以及目标与背景之间的上下文关系方面仍受限。为此，我们提出LoHGNet，一种将洛伦兹几何编码与高阶关系学习集成的IRSTD网络。通过引入基于洛伦兹流形的特征学习，LoHGNet为IRSTD方法提供了不同的特征表示，并为IRSTD提供了新的判别线索。具体而言，构建包含几何注意力引导的洛伦兹残差卷积模块(GA-LRCM)的洛伦兹编码分支，under hyperbolic geometric constraints进行特征建模，并增强弱目标的层次几何表征能力。随后，通过对数映射将双曲特征映射到欧几里得切空间，并设计高阶关系学习模块(HORL)，通过超图构建来建模目标与背景之间的高阶上下文依赖关系，从而提高复杂背景下的目标判别能力。在三个数据集上的实验结果表明，所提出的LoHGNet在检测准确率和对复杂场景的适应性方面均表现出竞争性能。该代码将在https://github.com/Kingwin97上提供。
引用
@article{arxiv.2605.07213,
title = {LoHGNet: Infrared Small Target Detection through Lorentz Geometric Encoding with High-Order Relation Learning},
author = {Qianwen Ma and Yang Xu and Shangwei Deng and Xiaobo Li and Haofeng Hu},
journal= {arXiv preprint arXiv:2605.07213},
year = {2026}
}