MSCA-Net：用于红外小目标检测的多尺度上下文聚合网络
计算机视觉与模式识别
2025-09-30 v2
摘要
在复杂环境中，检测微小红外目标始终具有挑战性，因为红外图像中存在低对比度和高噪声水平。这些因素常常导致在特征提取过程中丢失关键细节。此外，现有检测方法在充分整合全局和局部信息方面存在局限，这限制了红外小目标检测的效率和准确性。为了应对这些挑战，本文提出一种名为MSCA-Net的网络架构，它集成了三个关键组件：多尺度增强稀疏注意力机制（MSEDA）、位置卷积块注意力模块（PCBAM）和通道聚合特征融合块（CAB）。具体而言，MSEDA采用多尺度特征融合注意力机制来适应性地聚合不同尺度上的信息，从而丰富特征表示。PCBAM通过基于相关矩阵的策略捕获全局和局部特征之间的相关性，实现深层特征的相互作用。此外，CAB通过为关键特征分配更大的权重来增强其表示，集成低层和高层信息，从而提高模型在复杂背景下的检测性能。实验结果表明，MSCA-Net在复杂背景下实现了强大的小目标检测性能。具体而言，在NUAA-SIRST、NUDT-SIRST和IRTSD-1K数据集上分别达到了78.43%、94.56%和67.08%的mIoU分数，凸显了其有效性和在实际应用中的强大潜力。
引用
@article{arxiv.2503.17193,
title = {MSCA-Net:Multi-Scale Context Aggregation Network for Infrared Small Target Detection},
author = {Xiaojin Lu and Taoran yue and Jiaxi cai and Yuanping Chen and Cuihong Lv and Shibing Chu},
journal= {arXiv preprint arXiv:2503.17193},
year = {2025}
}