针对红外小目标检测的针纱形卷积与尺度基动态损失
计算机视觉与模式识别
2024-12-24 v1
摘要
近年来，基于卷积神经网络(CNN)的方法在红外小目标检测方面取得了显著成绩。然而，这些方法通常采用标准卷积，忽略了红外小目标像素分布的空间特征。因此，我们提出了一种新型针纱形卷积(PConv)，作为主干网络低层标准卷积的替代方案。PConv更符合暗小目标像素的高斯空间分布，增强了特征提取，显著扩大了感受野，仅引入极少的额外参数。此外，虽然近期的损失函数结合了尺度损失与位置损失，但未充分考虑这些损失在不同目标尺度下的灵敏度差异，限制了对暗小目标的检测性能。为此，我们提出了一种尺度基动态(SD)损失，动态调整尺度损失与位置损失的影响，以根据目标大小进行优化，从而提升网络对不同尺度目标的检测能力。我们构建了一个新的基准数据集SIRST-UAVB，这是目前规模最大、最具挑战性的实拍单帧红外小目标检测数据集。最后，通过将PConv与SD损失集成到最新的小目标检测算法中，我们在IRSTD-1K和SIRST-UAVB数据集上实现了显著的性能提升，验证了该方法的有效性与通用性。代码 -- https://github.com/JN-Yang/PConv-SDloss-Data
关键词
引用
@article{arxiv.2412.16986,
title = {Pinwheel-shaped Convolution and Scale-based Dynamic Loss for Infrared Small Target Detection},
author = {Jiangnan Yang and Shuangli Liu and Jingjun Wu and Xinyu Su and Nan Hai and Xueli Huang},
journal= {arXiv preprint arXiv:2412.16986},
year = {2024}
}
备注
Accepted by AAAI 2025