IPI Model (2013)
- 《Infrared Patch-Image Model for Small Target Detection in a Single Image》
- infrared small target detection is one of the key techniques in infrared search and track (IRST) systems.
- small targets have no concrete shape and texture because of the long imaging distance!
- 由于红外小目标形状比较简单,大多圆形,所以一些算法用 二维高斯分布来近似:
- 不过这就对于非圆形的较大目标就不太合适了
- 本文算法:infrared patchimage (IPI) model
- IPI算法模型:
- 假设 目标patch-image 是稀疏图(T)
- 而 背景patch-image 是低秩图(B)
- 因此小目标检测任务就会转换为低秩和稀疏矩形的复原优化问题
- IPI两个优点:
- 自认为假设符合观测现实;
- 算法可使用低秩矩阵恢复技术有效计算
- PS:稀疏和低秩的相同点在于都表明矩阵的信息冗余比较大
- PS:稀疏意味着有很多零,即可以压缩;低秩意味着矩阵有很多行(列)是线性相关的
IPI 模型
- 0范数稀疏可以使用最小凸近似L1范数
- 低秩可以 Nuclear Norm范数近似(就是矩阵奇异值的和)
- 问题可以分解为 low-rank component and a sparse component from a data matrix.
- This problem can be effectively solved via Principal Component Pursuit (PCP) to solve the following convex optimization problem 上述问题可以使用主成分追踪来求解!
- 求解下列对偶问题:
- 上面的方法可以使用 Accelerated Proximal Gradient (APG) 方法进行求解!
- 使用Signal-to-clutter ratio (SCR) 来描述小目标检测的难度,其中mu表示目标和背景的均值,theta表示背景的标准差,取均值表示多目标图上的信噪比!
- 评测指标:检测概率 Pd;虚警概率Fa
- 这里使用所谓的 ROC 概念来描述,
- 这里使用所谓的 ROC 概念来描述,
SIRST 数据集(2020)
- Single-Frame Infrared Small Target Detection(SIRST)
- 该数据旨在将(模型驱动)的红外小目标检测方法 向 (数据驱动)深度学习的红外小目标检测算法过渡!
- paper:Asymmetric Contextual Modulation(ACM) for Infrared Small Target Detection
- 属于单张红外小目标检测方法
- 数据集介绍:
- 该数据集的评测指标之一 nIoU:归一化的交并比,将序列中所有目标在 某个判断阈值 的IoU的均值作为 nIoU指标!
- Please note that both IoU and nIoU can not replace the receiver operating characteristic (ROC) curve, since they reflect the segmentation effect under a fixed threshold, while ROC reflects the overall effect under a sliding threshold!注意作者使用的IoU和nIoU是作为IPI提出的ROC
PLUS:综合评价指标(F-Measure)
-
P和R指标有时候会出现的矛盾的情况,这样就需要综合考虑他们,最常见的方法就是F-Measure(又称为F-Score)
-
F-Measure是Precision和Recall加权调和平均:
-
当参数α=1时,就是最常见的F1,也即
可知F1综合了P和R的结果,当F1较高时则能说明试验方法比较有效。 -
E值:表示查准率P和查全率R的加权平均值,当其中一个为0时,E值为1,其计算公式:
- b越大,表示查准率的权重越大。
- b越大,表示查准率的权重越大。
-
平均正确率(Average Precision, AP):表示不同查全率的点上的正确率的平均。
-
P/R和ROC是两个不同的评价指标和计算方式,一般情况下,检索用前者,分类、识别等用后者。