红外弱小目标检测之“Asymmetric Contextual Modulation for Infrared Small Target Detection“阅读笔记

Asymmetric Contextual Modulation for Infrared Small Target Detection

本文开源代码及单帧红外小目标检测数据集：

code：https://github.com/YimianDai/open-acm

sirst：https://github.com/YimianDai/sirst

427张短波、中波，950nm红外图像，5种标注方式 (a)类别标签 (b) 实例分割 © 边界框 (d) 语义分割 (e) 实例定位

模型驱动方法存在的缺点：

1. 具有全局唯一显着性、稀疏性或高对比度的目标假设在现实世界图像中不成立。 真正的暗淡目标可能不显眼且对比度低，而许多背景干扰物满足这些假设，从而导致许多虚景(误报)。
2. 许多超参数，对图像内容敏感且高度相关，这对于高度可变的场景不够稳健。
3. 缺乏对整体场景的高层次理解，无法检测到极端暗淡的场景并去除显着的干扰因素。（需将高级上下文语义信息嵌入模型进行更好的检测）。

本文动机：

1. 在红外小目标检测领域研究的深度学习方法很少。
   • 缺乏公共数据集
   • 缺少目标内在信息（SPIE将红外小目标定义为在256×256图像里具有小于 80 像素（9×9）的总空间范围）
   • 深度网络即需要学习语义表示也需要兼顾细节特征
2. 现有先进检测网络为通用图像数据设计，不适合直接用于红外小目标检测。需要进行以下改进：
   • 重新定制下采样方案。（随着网络的加深，红外小目标的特征几乎无法保留。）
   • 重新定制注意力模块。（现有的注意力模块倾向于聚合全局或远程上下文，潜在的假设是对象相对较大并且更全局地分布，全局注意力模块会削弱红外小目标的特征。）
   • 重新定制特征融合方法。（小目标可能被深层背景，单向、自上而下的方式融合跨层特征可能不起作用。）

评价指标：

• nIoU（the normalized Intersection over Union）
  n I o U = 1 N ∑ i N T P [ i ] T [ i ]