基于自监督学习与 a contrario 范式的鲁棒红外小目标检测
计算机视觉与模式识别
2024-10-11 v1
摘要
红外图像中小目标检测面临显著挑战，因其背景复杂且目标尺寸较小。传统目标检测方法在实现高检测率与低误报率之间往往难以取得平衡，尤其在处理小目标时。本文引入新方法，将 a contrario 范式与自监督学习 (Self-Supervised Learning, SSL) 相结合，以提升红外小目标检测 (IRSTD) 性能。一方面，将 a contrario 准则集成至 YOLO 检测头，可增强小且异常目标的特征图响应，同时有效控制误报。另一方面，我们探索 SSL 技术以克服标注数据稀缺的挑战，这在 IRSTD 任务中尤为常见。具体而言，我们对比评估了多种代表性 SSL 策略在小目标检测性能上的有效性。我们的发现表明，实例判别方法在 YOLO 基础小目标检测中优于掩码图像建模策略。此外，a contrario 与 SSL 范式的结合显著提升检测性能，缩小与最先进分割方法的差距，甚至在资源受限场景下超越分割方法。这种双轨方法为提升 IRSTD 性能，尤其在挑战性环境下提供了稳健解决方案。
关键词
引用
@article{arxiv.2410.07437,
title = {Robust infrared small target detection using self-supervised and a contrario paradigms},
author = {Alina Ciocarlan and Sylvie Le Hégarat-Mascle and Sidonie Lefebvre and Arnaud Woiselle},
journal= {arXiv preprint arXiv:2410.07437},
year = {2024}
}