SFA-UNet：更多关注红外小目标分割中的多尺度对比度与上下文信息
计算机视觉与模式识别
2025-05-28 v2 人工智能
摘要
计算机视觉研究者在过去几十年中广泛开展了红外视觉识别基础研究。在各种方法中，深度学习已成为最有前景的候选方案。然而，红外小目标分割（ISOS）仍然是一个主要焦点，原因包括：1）局部对比度和全局上下文信息的有效利用不足；2）深度模型中可能丢失小目标；3）难以捕捉细粒度细节并忽略噪声。为应对这些挑战，我们提出了一种改进的U-Net架构，命名为SFA-UNet，通过在U-Net中结合Scharr卷积（SC）和快速傅里叶卷积（FFC）以及垂直和水平注意力门（AG）构成。SFA-UNet在编码器和解码器层中使用带有SC和FFC附加的双卷积层。SC有助于学习前景到背景的对比度信息，而FFC提供多尺度上下文信息，同时缓解小目标消失问题。此外，在编码器层中引入垂直AG可增强模型对目标对象的关注，忽略无关区域。我们在公开可用的SIRST和IRSTD数据集上评估了所提出的方法，与现有最先进方法相比，在多次运行中所有组合指标的平均提升了0.75%，方差为0.025。
引用
@article{arxiv.2410.22881,
title = {SFA-UNet: More Attention to Multi-Scale Contrast and Contextual Information in Infrared Small Object Segmentation},
author = {Imad Ali Shah and Fahad Mumtaz Malik and Muhammad Waqas Ashraf},
journal= {arXiv preprint arXiv:2410.22881},
year = {2025}
}
备注
Accepted and Presented at PRIP 2023