哈尔滨工业大学提出 RISTDnet:强鲁棒性的红外小目标检测网络

最新推荐文章于 2024-04-20 10:37:55 发布
最新推荐文章于 2024-04-20 10:37:55 发布
阅读量4.4k 收藏 21
点赞数 3
分类专栏： 计算机视觉 文章标签： 目标检测 网络 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Zhanglw882/article/details/122373707
版权

在这里插入图片描述
哈工大提出***RISTDnet***:强鲁棒性的红外小目标检测网络

RISTDnet: Robust Infrared Small Target Detection Network
在这里插入图片描述
作者单位：哈尔滨工业大学空间光学工程研究中心
论文下载链接：https://sci-hub.yncjkj.com/10.1109/lgrs.2021.3050828
引用格式：Q. Hou, Z. Wang, F. Tan, Y. Zhao, H. Zheng and W. Zhang, “RISTDnet: Robust infrared small target detection network”, IEEE Geosci. Remote Sens. Lett., pp. 1-5, 2021.

复杂背景中的红外小目标具有低对比度和低信噪比(SNR)。因此，小目标检测更加困难。传统的红外小目标检测一般通过局部对比方法(LCM)、非局部自相关方法(NAM)和自适应分割来实现。在本论文中，提出了一种基于深度学习的强鲁棒性的红外小目标检测网络(RISTDnet)。在RISTDnet中，构建了结合手工特征方法和卷积神经网络的特征提取框架，建立了特征图与图像中小目标似然的映射网络，并在似然图上应用阈值来分割真实目标。实验结果表明，RISTDnet可以检测复杂背景下不同尺寸、低信噪比的小目标，比现有算法具有更好的有效性和鲁棒性。

1、 网络框架

RISTDnet整体框架如下，由一个基于固定权重卷积核的特征提取网络(FENetwFW)、一个基于变权重卷积核的特征提取网络(FENetwVW)和一个特征映射网络(FMNet)组成。
在这里插入图片描述

FENetwFW 使用五种尺寸的卷积核：3×3、5×5、7×7、9×9 和 11×11。卷积核数分别为1、2、3、4、5。结构如图2所示，每个卷积核的结果是红色网格中像素的平均值减去蓝色网格中像素的平均值。这组卷积核的目的是提取小目标的对比度信息。

在这里插入图片描述

FENetwFW 包含 15 个上述固定权重的卷积核，对于大小为 1×1、3×3、5×5 的目标，高响应的固定权重卷积核的数量为 5、4、3、2 和 1 、7×7、9×9，对应的特征图个数分别为5、4、3、2、1。最后，这15个特征图和原图构成了16个通道的特征图。可以看出，该策略可以为较小的目标获得足够数量的特征通道，进而保证对较小目标的可检测性。
将五组卷积核形成的输入图像和特征图连接起来作为FENetwVW的输入，FENetwVW的结构如表I所示。FCsubnet在对高分辨率特征图进行拆分和重新排列后，将结果与低分辨率特征图连接起来，形成多尺度特征图，更有利于检测不同大小的小目标。FCsubnet的详细结构如图3所示。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

FMNet用于将特征图映射到目标/背景似然图。计算过程如图4所示。设pi,j,z表示特征图中的一个元素，大小为64×80×128，其中，i=1,2,…,64；j = 1,2,…,80；并且z = 1,2,…,128。目标似然图pT(x, y)与背景似然图pB(x, y) (x = 1,2,…,512, y = 1,2,…,640)和pi,j,z可以表示为:

在这里插入图片描述

FENetwFW在RISTDnet中提取手工制作的多尺度特征，FENetwVW在手工制作的特征的基础上进行深度特征提取。因此，RISTDnet是适用于小目标检测的手工特征和深度特征的融合提取框架。

2、网络训练

网络训练的输入是归一化的红外图像。损失函数由目标/背景似然图和训练数据集的标签计算。网络训练实现了基于梯度下降算法和FENetwVW中所有卷积核权重求解的损失函数优化。概率损失函数如下：

在这里插入图片描述

3、实验结果分析

选取了5种算法与RISTDnet进行对比，结果如图7所示，可以明显看出RISTDnet的检测率高，虚警点少。

在这里插入图片描述

此外，还主要比较低信噪比目标的检测性能。图8(b)-(e)中的第一排表示相应场景下目标信噪比分别为1、1.5、2和2.5时的ROC曲线；图 8(b)-(e)中的第二排和第三排分别代表相应场景下目标的 SNR 为 0.5、1、1.5 和 2 时的 ROC 曲线。不同算法对这些图像得到的ROC曲线如图8所示。从图8中可以看出，本文算法在低信噪比上有较好的表现，说明了RISTDnet在低信噪比目标检测中的优势。
在这里插入图片描述

4、结论：

论文提出了一种基于深度学习方法的用于红外小目标检测的RISTDnet。RISTDnet将输入图像转换为目标/背景似然图，并应用阈值分割来提取真实目标。实验结果表明，所提出的RISTDnet可以处理复杂背景下大小不一、信噪比低的小目标，并且与现有算法相比，所提出的RISTDnet也具有更好的有效性和实时性。

Zhanglw882
关注
  • 3
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 13
    评论
专栏目录
基于多向梯度局部对比度的红外弱小目标检测算法（MDWCM）解析及代码（2021年IEEE GRSL 论文）
qq_34148844的博客
05-14 3423
该论文是<IEEE GEOSCIENCE AND REMOTE SENSING LETTERS >期刊2020年录取的一篇较新的一篇论文，目前网上下载地址为：https://www.researchgate.net/publication/344529590_Robust_Infrared_Small_Target_Detection_via_Multidirectional_Derivative-Based_Weighted_Contrast_Measure 探测器距离目标较远的时候，由于.
红外弱小目标检测
06-10
红外弱小目标检测最新方法，区域对比度 提高信噪比
哈工大提出红外小目标检测网络（ISTDU-Net）表现SOTA！优于其它算法，代码现已开源！
Zhanglw882的博客
01-27 7605
哈工大提出ISTDU-Net:红外小目标检测U型网络。ISTDU-Net在网络下采样中引入特征图分组感知和增强小目标特征图组的权重，以提高小目标的表征能力；同时在跳连接中引入了全连接层，从全局感受野中抑制了大量具有相似结构的背景，从而能提高目标和背景之间的对比度。实验结果表明，文中提出的ISTDU-Net可以检测复杂背景下的小红外目标。ISTDU-Net与其他算法相比，具有更好的ROC曲线，误报率低，AUC值为0.9977。
HCF-Net:用于红外小目标检测的分层上下文融合网络
m0_47867638的博客
04-20 1256
红外小目标检测是一项重要的计算机视觉任务，涉及在红外图像中识别和定位微小物体，这些物体通常仅包含几个像素。然而，由于物体尺寸极小以及红外图像中通常复杂的背景，这项任务面临困难。在本文中，我们提出了一种深度学习方法 HCF-Net，通过多个实用模块显著提高了红外小目标检测的性能。具体来说，它包括并行补丁感知注意力（PPA）模块、维度感知选择性集成（DASI）模块和多空洞通道细化器（MDCR）模块。PPA 模块使用多分支特征提取策略来捕获不同尺度和级别的特征信息。DASI 模块实现自适应通道选择和融合。
深度学习论文: ISTDU-Net：Infrared Small-Target Detection U-Net及其PyTorch实现
mingo_敏
09-20 1126
深度学习论文: ISTDU-Net：Infrared Small-Target Detection U-Net及其PyTorch实现 ISTDU-Net：Infrared Small-Target Detection U-Net PDF: https://doi.org/10.1109/LGRS.2022.3141584 PyTorch代码: https://github.com/shanglianlm0525/CvPytorch PyTorch代码: https://github.com/shanglia
基于深度学习的小目标检测方法
qq_43686057的博客
06-23 2619
1、小目标①像素点小于32*32的物体②目标尺寸为原图的0.12、小目标检测面临的困难①底层特征缺乏语义信息．在现有的目标检 测模型中，一般使用主干网络的底层特征检测小目 标，但底层特征缺乏语义信息，给小目标的检测带来 了一定的困难．②小目标的训练样本数据量较少．③检测模型使用的主干网络与检测任务的差异3、基于多尺度预测（YOLO、Faster R-CNN、SSD）多尺度预测指的是在多个不同尺度的特征图上分别对物体的类别和坐标进行预测①基于图像金字塔的多尺度目标检测（方法有利于小目标检测、实时性差）--改进
基于Pytorch实现RISTDnet红外小目标检测网络算法源码(强鲁棒性).zip
12-20
基于Pytorch实现RISTDnet红外小目标检测网络算法源码(强鲁棒性).zip基于Pytorch实现RISTDnet红外小目标检测网络算法源码(强鲁棒性).zip基于Pytorch实现RISTDnet红外小目标检测网络算法源码(强鲁棒性).zip基于Pytorch...
小目标检测-具有强鲁棒性的红外小目标检测算法实现-附项目源码-优质项目实战.zip
最新发布
05-07
本项目旨在实现一个具有强鲁棒性的红外小目标检测算法，通过提供源代码和实战案例，帮助学习者深入理解和应用相关知识。 小目标检测在实际应用中面临诸多挑战，如目标尺寸小、背景复杂、光照变化以及图像噪声等问题...
微生物网络分析：网络鲁棒性评价
01-24
对微生物网络进行鲁棒性评价有利于我们探索微生物群落的稳定性。该资源包含exe文件和python源代码及测试数据。exe文件可在不安装任何其他资源情况下，直接在windows环境中对网络进行鲁棒性评价；有兴趣的同学还可...
基于分数阶积分算子的红外弱小目标检测
01-14
针对现有背景抑制算法不能有效抑制背景而导致目标检测率低的问题, 提出一种基于分数阶积分背景抑制 的弱小目标检测算法. 首先通过研究分数阶积分理论, 分析分数阶积分非线性、尖锐的低通频率特性, 结合分数阶积 分和警戒环技术来抑制背景; 然后依据目标和背景边缘的空间特征, 采用模板均差法来提取候选目标; 最后结合目标 的运动连续性进行多帧轨迹关联, 从而检测出真实目标. 实验结果表明, 该算法能有效抑制背景, 提高信噪比, 进而有 效检测出弱小目标.
复杂背景下红外小目标探测与跟踪若干关键技术研究
04-18
复杂背景下红外小目标探测与跟踪若干关键技术研究 复杂背景下红外小目标探测与跟踪若干关键技术研究
融合全卷积神经网络和视觉显著性的红外小目标检测.pdf
09-25
【描述】: "本研究提出了一种结合深度神经网络和视觉显著性的红外小目标检测新方法，旨在提升在复杂背景和噪声环境中的检测效果。" 【标签】: "神经网络" "深度学习" "机器学习" "数据建模" "专业指导" 【正文】: ...
基于背景建模的红外运动目标检测（二）
小名double木
08-22 1529
前边讲到前景检测后形态学处理，滤除大部分孤立噪点，并且能够将距离相近，属于同一目标的区域连接在一起。 在进行形态学处理后，二值图上分布着为数不多的亮点连通区域。在我们的思维里，每个连通区域隶属于同一个目标，但是计算机并不知道，在计算机眼里，它依然是一幅图像，是一个规则的二维矩阵，是分布着黑点亮点的二维矩阵。 连通区域的标记 将每团亮点标记为一个目标，暂时有两种方式可以考虑： opencv查...
红外小目标：DNANet网络结构与模型搭建
weixin_33538887的博客
08-25 7388
考虑到红外小目标的小的特性，作者设计了一个专门的模块来提取深层特征的同时维护深层小目标的表示。
文献精讲-弱小目标检测-ADMD方法
weixin_73311067的博客
11-27 2105
分享一下个人对于近期读过的一篇文献《Fast and robust small infrared target detection using absolutedirectional mean difference algorithm》的理解
鲁棒性(Robustness)
wydbyxr的博客
09-29 7075
鲁棒性(Robustness)   鲁棒性亦称健壮性、稳健性、强健性,是系统的健壮性,它是在异常和危险情况下系统生存的关键.
鲁棒性
热门推荐
a1985831055的博客
09-24 1万+
鲁棒性也称为健壮性、稳健性、强健性，是系统的特性，它是系统在遇到异常和危险情况下是否能生存的关键。是指系统在一定（结构，大小）的参数的扰动下，维持某些性能的特性。 控制系统的鲁棒性：反馈控制系统是鲁棒的，或者说一个反馈系统具有鲁棒性，就是指这个反馈控制系统在某一类特定的不确定条件下具有使稳定性、渐近调节和动态特性保持不变的特性，即这一反馈控制系统具有承受这一类不确定性影响的能力。 很显然，控制系
红外弱小目标检测神经网络方法
11-15
基于神经网络的红外弱小目标检测方法已经被广泛研究和应用。其中，卷积神经网络（CNN）是一种常用的神经网络模型，它可以自动从数据中学习特征，并在图像分类和目标检测等任务中取得了很好的效果。以下是一个基于CNN的红外弱小目标检测方法的简要步骤： 1. 数据准备：收集并标注红外图像数据集，包括弱小目标和背景图像。 2. 数据增强：对数据集进行增强操作，如旋转、翻转、缩放等，以扩充数据集并提高模型的鲁棒性。 3. 神经网络设计：设计一个适合红外弱小目标检测的CNN模型，包括卷积层、池化层、全连接层等。 4. 神经网络训练：使用数据集对CNN模型进行训练，以学习红外弱小目标的特征。 5. 目标检测：使用训练好的CNN模型对新的红外图像进行目标检测，输出弱小目标的位置和类别。 6. 模型评估：对模型进行评估，包括准确率、召回率、F1值等指标。 以下是一个基于TensorFlow的CNN模型的代码示例： ```python import tensorflow as tf # 定义CNN模型 def cnn_model(features, labels, mode): input_layer = tf.reshape(features["x"], [-1, 28, 28, 1]) conv1 = tf.layers.conv2d(inputs=input_layer, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.relu) pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2) conv2 = tf.layers.conv2d(inputs=pool1, filters=64, kernel_size=[5, 5], padding="same", activation=tf.nn.relu) pool2 = tf.layers.max_pooling2d(inputs=conv2, pool_size=[2, 2], strides=2) pool2_flat = tf.reshape(pool2, [-1, 7 * 7 * 64]) dense = tf.layers.dense(inputs=pool2_flat, units=1024, activation=tf.nn.relu) dropout = tf.layers.dropout(inputs=dense, rate=0.4, training=mode == tf.estimator.ModeKeys.TRAIN) logits = tf.layers.dense(inputs=dropout, units=10) # 预测 predictions = { "classes": tf.argmax(input=logits, axis=1), "probabilities": tf.nn.softmax(logits, name="softmax_tensor") } # 预测模式 if mode == tf.estimator.ModeKeys.PREDICT: return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions) # 计算损失 loss = tf.losses.sparse_softmax_cross_entropy(labels=labels, logits=logits) # 训练模式 if mode == tf.estimator.ModeKeys.TRAIN: optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001) train_op = optimizer.minimize(loss=loss, global_step=tf.train.get_global_step()) return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op) # 评估模式 eval_metric_ops = { "accuracy": tf.metrics.accuracy(labels=labels, predictions=predictions["classes"]) } return tf.estimator.EstimatorSpec(mode=mode, loss=loss, eval_metric_ops=eval_metric_ops) # 加载数据集 mnist = tf.contrib.learn.datasets.load_dataset("mnist") train_data = mnist.train.images train_labels = np.asarray(mnist.train.labels, dtype=np.int32) eval_data = mnist.test.images eval_labels = np.asarray(mnist.test.labels, dtype=np.int32) # 创建Estimator mnist_classifier = tf.estimator.Estimator(model_fn=cnn_model, model_dir="/tmp/mnist_convnet_model") # 训练模型 train_input_fn = tf.estimator.inputs.numpy_input_fn(x={"x": train_data}, y=train_labels, batch_size=100, num_epochs=None, shuffle=True) mnist_classifier.train(input_fn=train_input_fn, steps=20000) # 评估模型 eval_input_fn = tf.estimator.inputs.numpy_input_fn(x={"x": eval_data}, y=eval_labels, num_epochs=1, shuffle=False) eval_results = mnist_classifier.evaluate(input_fn=eval_input_fn) print(eval_results) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 13
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值