迷失在UNet中：通过未被充分重视的局部特征改进红外小目标检测
计算机视觉与模式识别
2024-06-21 v1 人工智能
摘要
由于远距离成像机制，红外图像中的许多目标通常非常小。UNet及其变体作为流行的检测骨干网络，会过早地对局部特征进行下采样，导致这些局部特征不可逆地丢失，从而造成红外图像中小目标的漏检和误检。我们提出HintU，一种新颖的网络，用于恢复各种基于UNet的方法丢失的局部特征，以实现有效的红外小目标检测。HintU有两个关键贡献。首先，它首次引入了“Hint”机制，即利用目标位置的先验知识来突出关键的局部特征。其次，它改进了主流的基于UNet的架构，以即使在下采样后也能保留目标像素。HintU可以将各种网络（例如，vanilla UNet、UNet++、UIUNet、MiM+和HCFNet）的焦点从一开始就从无关的背景像素转移到更受限的区域。在三个数据集NUDT-SIRST、SIRSTv2和IRSTD1K上的实验结果表明，HintU仅以额外的1.88毫秒成本（在RTX Titan上）就增强了现有方法的性能。此外，HintU的显式约束增强了基于UNet的方法的泛化能力。代码可在https://github.com/Wuzhou-Quan/HintU获取。
引用
@article{arxiv.2406.13445,
title = {Lost in UNet: Improving Infrared Small Target Detection by Underappreciated Local Features},
author = {Wuzhou Quan and Wei Zhao and Weiming Wang and Haoran Xie and Fu Lee Wang and Mingqiang Wei},
journal= {arXiv preprint arXiv:2406.13445},
year = {2024}
}