基于单点监督的蒙特卡洛线性聚类足以实现红外小目标检测
计算机视觉与模式识别
2023-04-11 v1
摘要
单帧红外小目标（SIRST）检测旨在从红外图像中将小目标从杂波背景中分离出来。近年来，基于深度学习的方法在SIRST检测上取得了令人满意的性能，但代价是需要大量带有昂贵像素级标注的训练数据。为减轻标注负担，我们提出了首个以单点监督实现SIRST检测的方法。本工作的核心思想是利用聚类方法从给定的单点标签恢复每个目标的逐像素掩码，这看似简单但实际上具有挑战性，因为目标往往不显著且伴随背景杂波。为处理该问题，我们通过向输入图像添加噪声将随机性引入聚类过程，随后通过对聚类结果取平均获得更可靠的伪掩码。得益于这一“蒙特卡洛”聚类方法，我们的方法能够准确恢复伪掩码，从而将任意全监督SIRST检测网络转化为仅需单点标注的弱监督网络。在四个数据集上的实验表明，我们的方法可应用于现有SIRST检测网络，取得与其全监督对应方法相当的性能，这说明单点监督对于SIRST检测已足够强大。我们的代码将发布于：https://github.com/YeRen123455/SIRST-Single-Point-Supervision。
引用
@article{arxiv.2304.04442,
title = {Monte Carlo Linear Clustering with Single-Point Supervision is Enough for Infrared Small Target Detection},
author = {Boyang Li and Yingqian Wang and Longguang Wang and Fei Zhang and Ting Liu and Zaiping Lin and Wei An and Yulan Guo},
journal= {arXiv preprint arXiv:2304.04442},
year = {2023}
}