基于数量提示的弱监督对比学习用于移动红外小目标检测
计算机视觉与模式识别
2026-02-03 v2
摘要
与一般目标检测不同，移动红外小目标检测因目标尺寸微小和背景对比度弱面临巨大挑战。当前大多数方法为全监督，严重依赖大量的人工目标级标注。然而，对视频序列进行手动标注往往昂贵且耗时，尤其是针对低质量红外帧图像。受一般目标检测启发，非全监督策略（如弱监督）被认为有潜力降低标注需求。为突破传统全监督框架，本文首次提出一种新的弱监督对比学习（WeCoL）方案，仅需简单目标数量提示即可完成模型训练。具体而言，在我们的方案中，基于预训练的segment anything model（SAM），设计了潜在目标矿掘策略，将目标激活图和多帧能量累积相结合。此外，采用对比学习进一步提高伪标签的可靠性，通过计算特征子空间中正负样本之间的相似性。我们还提出了长短期运动感知学习方案，以同时建模小目标的局部运动模式和全局运动轨迹。在两个公开数据集（DAUB和ITSDT-15K）上的大量实验验证了，我们的弱监督方案通常能优于早期的全监督方法。甚至，其性能可达到最先进（SOTA）全监督方法的90%以上。
引用
@article{arxiv.2507.02454,
title = {Weakly-supervised Contrastive Learning with Quantity Prompts for Moving Infrared Small Target Detection},
author = {Weiwei Duan and Luping Ji and Shengjia Chen and Sicheng Zhu and Jianghong Huang and Mao Ye},
journal= {arXiv preprint arXiv:2507.02454},
year = {2026}
}
备注
Accepted by TGRS 25