RRCANet：用于红外小目标检测的循环可复用卷积注意力网络
计算机视觉与模式识别
2025-10-31 v3
摘要
由于其独特特征（例如小、暗、无形状且多变），红外小目标检测是一项具有挑战性的任务。近期发表的基于 CNN 的方法通过繁重的特征提取与融合模块取得了令人满意的性能。为实现高效且有效的检测，我们提出了一种用于红外小目标检测的循环可复用卷积注意力网络（RRCA-Net）。具体而言，RRCA-Net 以循环方式引入可复用卷积块，且不引入额外参数。借助 RuCB 中的重复迭代，可以很好地保持并进一步细化深层中小目标的高层信息。随后，提出了双交互注意力聚合模块（DIAAM）以促进细化信息的相互增强与融合。通过这种方式，RRCA-Net 既能实现高层特征细化，又能增强相邻层之间上下文信息的相关性。此外，为实现稳定收敛，我们通过整合物理与数学约束设计了一种目标特性启发的损失函数（DpT-k loss）。在三个基准数据集（如 NUAA-SIRST、IRSTD-1k、DenseSIRST）上的实验结果表明，我们的 RRCA-Net 在保持少量参数的同时，能够实现与最先进方法相当的性能，并可作为即插即用模块为多种流行的 IRSTD 方法带来一致的性能提升。
引用
@article{arxiv.2506.02393,
title = {RRCANet: Recurrent Reusable-Convolution Attention Network for Infrared Small Target Detection},
author = {Yongxian Liu and Boyang Li and Ting Liu and Zaiping Lin and Wei An},
journal= {arXiv preprint arXiv:2506.02393},
year = {2025}
}
备注
We have updated the journal reference and DOI