RPCANet：基于深度展开 RPCA 的红外小目标检测
计算机视觉与模式识别
2023-11-03 v1
摘要
深度学习(DL)网络在红外小目标检测(ISTD)中取得了卓越性能。然而，这些结构在可解释性方面存在不足，并被广泛视为黑箱，因为它们忽视了 ISTD 中的领域知识。为缓解此问题，本工作提出了一种用于检测红外暗弱目标的可解释深度网络，称为 RPCANet。具体而言，我们的方法将 ISTD 任务表述为松弛鲁棒主成分分析(RPCA)模型中的稀疏目标提取、低秩背景估计和图像重建。通过将迭代优化更新步骤展开为深度学习框架，耗时而复杂的矩阵计算被理论引导的神经网络所替代。RPCANet 以清晰的可解释性检测目标并保留固有图像特征，而非直接将检测任务转化为矩阵分解问题。大量实验证实了我们的深度展开框架的有效性，并展示了其可信的结果，在定性和定量评估中均超越基线方法。
引用
@article{arxiv.2311.00917,
title = {RPCANet: Deep Unfolding RPCA Based Infrared Small Target Detection},
author = {Fengyi Wu and Tianfang Zhang and Lei Li and Yian Huang and Zhenming Peng},
journal= {arXiv preprint arXiv:2311.00917},
year = {2023}
}
备注
WACV2024