vSTMD：针对不同速度极微小目标的视觉运动检测

对极微小（ET-）目标的视觉运动检测具有挑战性，因为其与类别无关的性质和视觉线索的稀缺性往往使主流的基于特征的模型失效。具有丰富可解释性的自然架构提供了一种有前景的替代方案，其中源自昆虫视觉 STMD（小目标运动检测器）通路的 STMD 架构已经证明了其有效性。然而，以往的 STMD 模型局限于狭窄的速度范围，阻碍了其在目标表现出多样且不稳定动态的真实场景中的有效性。为了解决这一限制，我们提出了 vSTMD，这是一种无需学习的模型，用于检测不同速度下的 ET-目标运动。我们的关键创新包括：(1) 交叉抑制动态电位，作为一种自适应机制，能够高效捕捉宽速度谱上的运动线索；(2) 首个协同方向梯度计算（CDGC）策略，在将计算开销降至先前独立策略的八分之一的同时，提高了定向精度和鲁棒性。在真实世界数据集 RIST 上评估，所提出的 vSTMD 及其反馈促进变体 vSTMD-F 相对于 SOTA 的 STMD 方法分别实现了 $30\%$ 和 $58\%$ 的 $F_{1}$ 相对增益。此外，与 SOTA 的深度学习驱动方法相比，两种模型均展现出极具竞争力的方向估计性能。实验还揭示了自然架构在 ET-目标运动检测方面的优越性——vSTMD 比当代数据驱动方法快 $60\times$，使其非常适合动态场景和复杂背景下的实时应用。代码可在 https://github.com/MingshuoXu/vSTMD 获取。