红外小目标：简单笔记

应用背景

红外小目标检测是红外搜索和跟着的关键技术之一，在海上监控系统，预警系统应用广泛，

解决难点

1. 红外小目标像素与整张图的像素比非常小。
2. 红外辐射的能量在距离上显著衰减，使物体看起来非常暗淡。因此红外小目标很容易淹没在背景杂波和传感器噪声中。
3. 小目标非常稀疏，导致了目标区域和背景区域之间的严重不平衡。

现有方法

传统方法

低秩稀疏的块图像红外小目标检测（IPI，Infrared Patch-Image Model for Small Target Detection in a Single Image，link）

深度学习的方法

1. 2019 ICCV Miss Detection vs. False Alarm: Adversarial Learning for Small Object Segmentation in Infrared Images link
通过对抗生成网络平衡漏检率和虚警率。

G1减小漏检，G2减小虚警率
Adversarial loss：

Generator consistency loss：

对抗性损失迫使S1和S2接近S0。然而，S1和S2可以以各自的方式向S0移动。因此，他们的差异在训练后仍然很明显。这并不能有效地迫使他们在每个像素上竞争以达到平衡MD和足总。为了解决这个问题，增加了额外的内容一致性损失，以更紧密地绑定两个生成器(例如，增强它们之间的信息流)。
Data loss

L1或L2损失只说明像素级的差异，而忽略了MD或FA的度量。
Total loss

数据集

2.

评价指标

检测率和虚警率

$N_p$为检测到的目标数量
$N_r$为真是目标数量
$N_f$为错误检测目标的数量
$N_i$为检测序列图像的数量
如果检测结果同时满足两个要求，则认为检测结果是正确的:(i)检测结果与真实值具有重叠像素;(ii) 真实值中心与结果之间的像素距离在一个阈值(4像素)内。
F-measure
平衡检测率和虚警率

信杂比

信杂比增益

背景抑制系数

$C_i$检测前图像的标准差
$C_o$检测后结果图像的标准差
背景抑制系数来判定图像的难易程度。
ROC曲线