基于选择性注意力的网络用于鲁棒的红外小目标检测
计算机视觉与模式识别
2026-05-05 v1
摘要
红外小目标检测（IRSTD）在航海监视、军事搜救、预警系统及精制导打击等广泛的任务关键应用中发挥着关键作用，要求精确识别在高度杂乱红外背景中的微弱亚像素级目标。尽管深度学习方法取得了显著进展，但仍面临根本挑战：红外小目标占据极小的空间范围（常仅几像素），信噪比极低，且易与结构复杂的背景混淆，引发误报。现有编码器-解码器架构存在两个关键局限：早期卷积阶段的信息瓶颈削弱了对精细目标的感知，静态跳连连接缺乏区分真实目标与伪目标区域所需的动态适应性。为此，我们提出SANet（Selective Attention-based Network），基于经典U-Net框架增强，包含两个新组件：（1）双路径语义感知模块（DSM），集成标准卷积以保留局部空间细节，同时引入枸杞形卷积以获得更大且方向敏感的感受野，随后加入卷积块注意力模块（CBAM）进行精细的空间-通道特征重校准；（2）选择性注意力融合模块（SAFM），以空间自适应可学习加权机制取代常规静态跳连连接，实现上下游特征的情境感知、跨尺度融合。
引用
@article{arxiv.2605.00886,
title = {Selective Attention-Based Network for Robust Infrared Small Target Detection},
author = {Yingming Zhang and Wuqi Su and Qing Xiao and Yonggang Yang},
journal= {arXiv preprint arXiv:2605.00886},
year = {2026}
}