Infrared Small Target Detection 2021

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，
    

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）

• 参考

• 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。
    

• 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。