【论文阅读|基于 YOLO 的红外小目标检测的逆向范例】

论文题目： A Contrario Paradigm for YOLO-based Infrared Small Target Detection（基于 YOLO 的红外小目标检测的逆向范例）

论文下载链接： https://arxiv.org/pdf/2402.02288.pdf

摘要

检测红外图像中的微小目标是计算机视觉领域的一项具有挑战性的任务，尤其是在将这些目标从嘈杂或纹理背景中区分出来时。与分割神经网络相比，传统的物体检测方法（如 YOLO）在检测微小物体时非常吃力，因此在检测小目标时性能较弱。为了在保持高检测率的同时减少误报，在 YOLO 检测器的训练中引入了反向决策标准。后者利用小目标的不可预测性，将它们与复杂背景区分开来。在 YOLOv7-tiny 中加入这一统计标准，缩小了红外小目标检测和物体检测网络中最先进的分割方法之间的性能差距。它还大大提高了 YOLO 对少样本环境的鲁棒性。

关键词： 小目标检测、逆向推理、YOLO、少样本检测

1 引言

在包括医疗或安全领域在内的各种应用中，准确检测红外（infrared, IR）图像中的小目标至关重要。红外小目标检测（Infrared small target detection, IRSTD）是计算机视觉领域的一项巨大挑战，其困难主要在于：(1) 目标的大小（面积低于 20 像素）；(2) 复杂且纹理丰富的背景，从而导致许多误报；(3) 学习条件，即从小型、多样化程度低且高度类不平衡的数据集中学习，因为与背景类像素相比，目标类像素的数量非常少。过去几十年来，深度学习方法的兴起在物体检测领域取得了令人瞩目的进步，这主要归功于它们能够从大量标注数据中学习，提取出非常适合最终任务的非线性特征。在 IRSTD 中，语义分割神经网络的应用最为广泛[1]。其中包括 ACM[2]、LSPM[3]和最近最先进的（SOTA）方法之一，即 DNANet[4]，它由多个嵌套的 UNets 和一个多尺度融合模块组成，能够分割不同大小的小物体。然而，依靠分割神经网络进行物体检测的一个主要问题是，在调整用于二值化分割图的阈值时，可能会出现物体破碎的情况。这会导致许多不希望出现的误报，并扭曲计数指标。Faster-RCNN [5] 或 YOLO [6] 等物体检测算法通过边界框回归明确定位物体，从而降低了这种风险。然而，这些算法往往难以检测到微小物体。很少有研究关注将此类检测器用于 IRSTD [7]，也没有与 SOTA IRSTD 方法进行严格比较。

在本文中，提出了一种新颖的 YOLO 检测头，称为 OL-NFA（for Object-Level Number of False Alarms, OL-NFA对象级误报数量），专门用于小物体检测。该模块集成了一个逆向决策标准，用于引导特征提取，从而使不可预测的物体在背景中脱颖而出并被检测到。它用于重新估算由 YOLO 骨干计算出的对象性分数，并经过精心实施，以便在训练过程中进行反向传播。使用逆向范式的一个好处是，因为有大量的背景样本，它侧重于对背景建模，而不是对物体本身建模。这样，通过拒绝背景分布的假设来进行检测，就可以绕过类不平衡和训练数据少的问题。主要贡献如下：

1.设计了一种新颖的 YOLO 检测头，它整合了一种用于估算对象性分数的逆向标准。通过重点对背景而非物体本身进行建模，放宽了对大量训练样本的限制。

2.在著名的 IRSTD 基准上比较了 SOTA 分割神经网络和物体检测方法，结果表明在 YOLOv7-tiny 骨干中添加 OL-NFA 可以缩小 IRSTD 中物体检测器和 SOTA 分割神经网络 之间的性能差距。

3.此外，还在少样本环境中大幅提高了 YOLOv7-tiny 的性能（15-shot 的 AP 为 39.2%），证明了逆向范式在弱训练条件下的鲁棒性。

2 相关工作

2.1 逆向推理

逆向决策方法可以自动推导出与假设检验相关的决策标准。这些方法从感知理论，尤其是Gestalt理论中汲取灵感[8]。这些方法包括通过使用可解释的检测阈值来拒绝表征非结构化背景的原始模型。后者允许控制误报数量（NFA），通常定义为被测物体总数与所选原始的模型所遵循的规律的尾部分布之间的乘积。由于计算出的尾值取决于对象的特征，因此 NFA 值可以与任何给定对象相关联。文献中提出了几种逆向的公式。它们取决于考虑的是灰度图像还是二值图像。在第一种情况下，最常用的原始模型是像素灰度值的高斯分布 [9、10、11]。后者已被 [12] 整合到深度学习框架中，并在小目标分割中表现出了很好的性能。在第二种情况下，最广泛使用的原始模型是图像网格中 "真实 "像素的均匀空间分布。这就导致了参数 $p$ 的二项分布，即 "真实 "像素$\kappa$在任何给定参数形状的区域$\nu$内的数量[13, 14]：
$$\text{NFA}\left(\kappa ,\nu ,p\right)=\eta \sum _{i=\kappa }^{\nu }\left(\begin{array}{c}\nu \\ i\end{array}\right)p^i{\left(1-p\right)}^{\nu -i},$$
其中，$\eta$ 是测试对象的数量。根据公式 (1)，可能代表物体的像素子集更加重要，因为与图像整体密度相比，它包含许多空间上接近的点。工作重点是将这一原始的模型整合到物体检测器的训练循环中，以引导特征提取，而这在之前的研究中并没有考虑到。与 [12] 不同的是，[12] 的原始模型适用于像素级分类（即分割），而作者考虑的是另一种直接适用于对象级的模型，因此更适用于有边界框建议的神经网络。

2.2 物体检测方法

物体检测是