面向鲁棒红外小目标检测：一种特征增强与灵敏度可调框架
计算机视觉与模式识别
2025-12-11 v3
摘要
最近，单帧红外小目标(SIRST)检测技术受到广泛关注。不同于大多数聚焦改进网络结构的深度学习方法，我们提出了特征增强灵敏度可调(FEST)框架，该框架与现有SIRST检测网络兼容，并进一步提升其检测性能。FEST框架从两个方面提高模型的鲁棒性：特征增强和目标置信度调节。对于特征增强，我们采用多尺度融合策略来提高模型对多尺度目标多尺度特征的感知能力，设计了边缘增强难度挖掘(EEDM)损失，以指导网络在训练期间持续关注具有挑战性的目标区域和边缘特征。对于目标置信度调节，提出了可调灵敏度(AS)策略用于网络后处理。该策略增强了模型在复杂场景中的适应性，显著提高了红外小目标的检测率，同时保持分割精度。大量实验结果表明，FEST框架能够有效提升现有SIRST检测网络的性能。代码已公开于https://github.com/YuChuang1205/FEST-Framework。
引用
@article{arxiv.2407.20090,
title = {Towards Robust Infrared Small Target Detection: A Feature-Enhanced and Sensitivity-Tunable Framework},
author = {Jinmiao Zhao and Zelin Shi and Chuang Yu and Yunpeng Liu and Yimian Dai},
journal= {arXiv preprint arXiv:2407.20090},
year = {2025}
}
备注
Accepted by Knowledge-Based Systems 2025