更加关注局部对比度：通过先验知识提升红外小目标检测性能
计算机视觉与模式识别
2024-11-21 v1
摘要
数据驱动的红外小目标检测 (IRSTD) 方法已取得了可喜的成果。然而，由于红外小目标数据集规模较小且目标本身占据的像素数量有限，深度学习方法直接从这些样本中进行学习是一项具有挑战性的任务。利用人类专家知识来辅助深度学习方法更好地学习值得探索。为了有效引导模型关注目标的空间特征，本文提出了局部对比度注意力增强红外小目标检测网络 (LCAE-Net)，将先验知识与数据驱动的深度学习方法相结合。LCAE-Net 是一个 U 型神经网络模型，由两个开发的模块组成：局部对比度增强 (LCE) 模块和通道注意力增强 (CAE) 模块。LCE 模块利用先验知识的优势，利用手工制作的卷积算子获取局部对比度注意力 (LCA)，能够在增强潜在目标区域的同时实现背景抑制，从而引导神经网络更加关注潜在红外小目标的位置信息。为了有效利用下采样过程中的响应信息，提出了 CAE 模块以实现特征图不同通道间的信息融合。实验结果表明，我们的 LCAE-Net 在三个公开数据集 NUDT-SIRST、NUAA-SIRST 和 IRSTD-1K 上优于现有的最先进方法，其检测速度可达 70 fps。同时，我们的模型参数量和浮点运算次数 (FLOPs) 分别为 1.945M 和 4.862G，适合部署在边缘设备上。
引用
@article{arxiv.2411.13260,
title = {Paying more attention to local contrast: improving infrared small target detection performance via prior knowledge},
author = {Peichao Wang and Jiabao Wang and Yao Chen and Rui Zhang and Yang Li and Zhuang Miao},
journal= {arXiv preprint arXiv:2411.13260},
year = {2024}
}
备注
16 pages, 8 figures