论 infrared 小目标检测的评估方法重思考
计算机视觉与模式识别
2025-09-24 v2
摘要
作为一个关键的视觉任务，红外小目标检测 (IRSTD) 已通过深度学习取得了显著的进展。然而，当前评估协议的关键局限性仍阻碍了进一步的进展。首先，现有方法依赖片段化的像素级和目标级特定指标，无法提供模型能力的全面视图。其次，对整体性能分数的过度强调掩盖了关键错误分析，这对于识别失效模式和改进实际系统性能至关重要。第三，该领域主要采用数据集特定的训练-测试范式，阻碍了对模型在 diverse infrared 场景下鲁棒性和泛化性的理解。为此，本文通过引入融合像素级和目标级性能的混合级指标、提出系统化的错误分析方法，并强调跨数据集评估的重要性来解决上述问题。这些措施旨在提供更为 thorough 和理性的分层分析框架，从而促进更有效和更稳健的 IRSTD 模型的开发。我们已发布开源工具包以促进标准化基准测试。
引用
@article{arxiv.2509.16888,
title = {Rethinking Evaluation of Infrared Small Target Detection},
author = {Youwei Pang and Xiaoqi Zhao and Lihe Zhang and Huchuan Lu and Georges El Fakhri and Xiaofeng Liu and Shijian Lu},
journal= {arXiv preprint arXiv:2509.16888},
year = {2025}
}
备注
NeurIPS 2025; Evaluation Toolkit: https://github.com/lartpang/PyIRSTDMetrics; Correct a few typos