LSP-ST：基于梯形形状偏置的侧调谐技术用于鲁棒红外小目标检测
计算机视觉与模式识别
2025-10-14 v2
摘要
为红外小目标检测微调 Segment Anything Model (SAM) 面临显著的领域迁移挑战。现有适应方法常通过引入手工先验来弥合这一差距，但此类设计限制了泛化性和可扩展性。我们识别到基础模型中存在一种根本的纹理偏置，即模型过度依赖局部纹理线索进行目标定位。为此，我们提出 Ladder Shape-Biased Side-Tuning (LSP-ST)，一种新颖方法，通过引入形状感知的归纳偏置来促进超越纹理线索的有效适应。与之前注入显式边缘或轮廓特征的工作不同，LSP-ST 将形状建模为全局结构先验，整合边界与内部布局。我们设计了 Shape-Enhanced Large-Kernel Attention Module，以层次化方式隐式捕获结构信息，完全采用可微分的方式，无需任务特定的手工引导。基于匹配滤波和反向传播的理论分析揭示了所提注意力机制如何改善结构感知学习的机制。仅需 4.72M 可学习参数，LSP-ST 在多个红外小目标检测基准上实现了最先进的性能。此外，其在 mirror detection、shadow detection 和 camouflaged object detection 等任务中表现出强大的泛化能力，同时在 salient object detection 等纹理驱动任务中保持稳定性能，表明所引入的形状偏置是与纹理推理互补的。
引用
@article{arxiv.2504.14481,
title = {LSP-ST: Ladder Shape-Biased Side-Tuning for Robust Infrared Small Target Detection},
author = {Guoyi Zhang and Siyang Chen and Guangsheng Xu and Han Wang and Donghe Wang and Xiaohu Zhang},
journal= {arXiv preprint arXiv:2504.14481},
year = {2025}
}