用于红外小目标检测的一阶段级联精炼网络
计算机视觉与模式识别
2023-05-03 v2
摘要
单帧红外小目标(SIRST)检测由于缺乏固有特征、边界框回归不精确、真实世界数据集稀缺以及定位评估敏感而一直是一项具有挑战性的任务。在本文中，我们针对这些挑战提出了一种综合解决方案。首先，我们发现现有的无锚标签分配方法容易将小目标误标为背景，导致检测器漏检。为克服此问题，我们提出了一种基于全尺度伪框的标签分配方案，该方案放宽了对尺度的约束并将空间分配与真实目标的大小解耦。其次，受特征金字塔结构化先验的启发，我们引入了一阶段级联精炼网络(OSCAR)，其使用高层检测头作为低层精炼头的软提议。这使得 OSCAR 能够以级联由粗到细的方式处理同一目标。最后，我们提出了一个红外小目标检测的新研究基准，由真实世界高分辨率单帧目标的 SIRST-V2 数据集、归一化对比度评估指标以及用于检测的 DeepInfrared 工具包组成。我们进行了广泛的消融实验以评估 OSCAR 的组件，并在 SIRST-V2 基准上将其性能与最先进的模型驱动和数据驱动方法进行比较。我们的结果表明，自顶向下的级联精炼框架可在不牺牲效率的情况下提高红外小目标检测的准确性。DeepInfrared 工具包、数据集和训练好的模型可在 https://github.com/YimianDai/open-deepinfrared 获取，以推动该领域的进一步研究。
引用
@article{arxiv.2212.08472,
title = {One-Stage Cascade Refinement Networks for Infrared Small Target Detection},
author = {Yimian Dai and Xiang Li and Fei Zhou and Yulei Qian and Yaohong Chen and Jian Yang},
journal= {arXiv preprint arXiv:2212.08472},
year = {2023}
}
备注
Submitted to TGRS