深入探究时序剂量使红外小目标检测器取得更好性能

红外小目标（IRST）检测在同时实现精确、稳健和高效性能方面存在挑战，由于目标极其微弱且受到强干扰。当前学习方法试图从空间和短期时序域获取“更多”信息，但在复杂条件下表现不可靠且存在计算冗余。本文探讨了从更关键域获取“更本质”信息。通过理论分析，我们揭示了时序剂量中全局时序显著性和相关性信息在区分目标信号与其他信号方面具有显著优势。为考察此优势是否被恰当训练的网络充分利用，我们构建了该领域首个预测归因工具，并验证了时序剂量信息的重要性。基于上述结论，我们将 IRT 检测任务重新建模为一维信号异常检测任务，提出一种高效的深度时序探测网络（DeepPro），其仅在时间维度上进行计算即可完成 IRT 检测。我们进行了大量实验充分验证了方法的有效性。实验结果令人振奋，因为我们的 DeepPro 在广泛使用的基准上超越了现有最先进的 IRT 检测方法，实现了极高的效率，并在微弱目标和复杂场景中取得显著改进。我们提供了新的建模域、新的见解、新方法和新性能，可推动 IRT 检测的发展。代码已公开 https://tinalrj.github.io/DeepPro/。