浅层-深层协同检测网络 SDS-Net 用于红外小目标检测
计算机视觉与模式识别
2025-07-29 v1 机器学习
摘要
当前基于卷积神经网络(CNN)的红外小目标检测(IRSTD)方法通常忽略浅层特征与深层特征之间的异质性，导致浅层细粒结构信息与深层高层语义表示之间的协作效率低下。此外，跨不同特征层次的依赖关系和融合机制缺乏系统性建模，无法充分发挥多层次特征的互补性。这些限制不仅阻碍了 IRSTD 性能，还导致计算成本高昂。为此，本文提出一种浅层-深层协同检测网络(SDS-Net)，高效地对多层次特征表示进行建模，以提高 IRSTD 任务中的检测准确率和计算效率。SDS-Net 引入双分支结构，分别建模特征的结构特征和语义属性，有效保留浅层空间细节，同时捕获深层语义表示，从而以显著提升的推理速度实现高精度检测。此外，网络融入自适应特征融合模块，以动态建模跨层特征相关性，增强整体特征协作与表示能力。在三个公开数据集(NUAA-SIRST、NUDT-SIRST 和 IRSTD-1K)上的全面实验表明，SDS-Net 在保持低计算复杂度和高推理效率的同时，超越了当前最先进的 IRSTD 方法，显示出卓越的检测性能和广阔的应用前景。我们的代码将在 https://github.com/PhysiLearn/SDS-Net 上公开。
引用
@article{arxiv.2506.06042,
title = {SDS-Net: Shallow-Deep Synergism-detection Network for infrared small target detection},
author = {Taoran Yue and Xiaojin Lu and Jiaxi Cai and Yuanping Chen and Shibing Chu},
journal= {arXiv preprint arXiv:2506.06042},
year = {2025}
}
备注
13 pages,9 figures, Submitted IEEE Transactions on Geoscience and Remote Sensing