可泛化红外小目标检测：真实场景基准与跨视图表征学习
计算机视觉与模式识别
2025-04-24 v1
摘要
红外小目标检测 (ISTD) 对传感器类型、观测条件以及目标的固有属性高度敏感。这些因素会引入显著的 acquired infrared 图像数据的分布变化，称为域迁移。这种分布性差异显著阻碍了 ISTD 模型在多样化场景下的泛化能力。为解决此挑战，本文引入一个通过域适应增强的 ISTD 框架。为缓解数据集之间的分布偏移并实现跨样本对齐，我们引入了跨视图通道对齐 (CCA)。此外，我们提出了跨视图 Top-K 融合策略，将目标信息与多样化背景特征集成，增强了模型提取关键数据特征的能力。为进一步减轻 ISTD 中噪声的影响，我们开发了噪声引导的表征学习策略。该方法使模型能够学习更抗噪声的特征表征，以提升其在多样化噪声域上的泛化能力。最后，我们构建了一个专用的红外小目标数据集 RealScene-ISTD。与最先进的方法相比，我们的方法在检测概率 (Pd)、误报率 (Fa) 和交并比 (IoU) 方面表现出优异性能。代码已公开：https://github.com/luy0222/RealScene-ISTD。
引用
@article{arxiv.2504.16487,
title = {Rethinking Generalizable Infrared Small Target Detection: A Real-scene Benchmark and Cross-view Representation Learning},
author = {Yahao Lu and Yuehui Li and Xingyuan Guo and Shuai Yuan and Yukai Shi and Liang Lin},
journal= {arXiv preprint arXiv:2504.16487},
year = {2025}
}
备注
A benchmark associated with real-world scenes for the Infrared Small Target Detection (ISTD) is presented