重新思考跨域红外小目标检测中的表征：从频域视角的通用性
计算机视觉与模式识别
2026-04-03 v1
摘要
红外小目标检测（IRSTD）中准确的目标-背景分离高度依赖于提取表征的判别性。然而，大多数现有方法局限于领域一致的设置，忽略了这种判别性是否能泛化到未见领域。在实际应用中，由于观察条件和环境因素的变化，训练数据与测试数据之间的分布迁移是不可避免的。同时，红外小目标的内在模糊性加剧了对领域特定模式的过拟合。因此，在未见领域部署时，训练自源领域的模型检测性能可能严重下降。为解决这一挑战，我们提出了一种空间-频谱协作感知网络（SCPNet）用于跨域红外小目标检测。超越常规的空间学习流程，我们从频率视角重新思考IRSTD的表征，揭示了谱相位不一致性是领域差异的主要表现。基于此洞察，我们开发了相位校正模块（PRM）以实现通用目标感知。随后，我们在跳跃连接中采用正交注意力机制（OAM），在细化有信息表征的同时保留位置信息。此外，通过选择性风格重组（SSR）进一步减轻对领域特定模式的偏好。我们在三个红外小目标检测数据集上进行了广泛实验，所提出的方法在多样化的跨域设置下始终实现了最先进的性能。
引用
@article{arxiv.2604.01934,
title = {Rethinking Representations for Cross-Domain Infrared Small Target Detection: A Generalizable Perspective from the Frequency Domain},
author = {Yimin Fu and Songbo Wang and Feiyan Wu and Jialin Lyu and Zhunga Liu and Michael K. Ng},
journal= {arXiv preprint arXiv:2604.01934},
year = {2026}
}
备注
The code will be released at https://github.com/fuyimin96/S2CPNet upon acceptance