【CVPR2023】映射退化遇上标签演化：学习具有单点监督的红外小目标检测

论文标题：Mapping Degeneration Meets Label Evolution: Learning Infrared Small Target Detection with Single Point Supervision

代码：https://github.com/XinyiYing/LESPS

导读&动机

本文探讨了红外小目标检测领域的一个重要问题，即如何在降低标注成本的同时实现高性能的目标检测。红外小目标检测在诸如交通监控、海上救援和军事监视等民用和军用领域具有广泛的应用。然而，由于红外小目标通常具有小尺寸、弱信号、无规则形状和无纹理等特点，并且容易受到复杂背景干扰，因此传统方法需要复杂的手工特征工程和大量标注数据，成本高昂。

为了解决这一问题，本文引入了一种创新的方法，即基于单点监督的弱监督红外小目标检测框架（LESPS）。作者观察到，在单点标签的监督下，卷积神经网络（CNN）首先学会在图像中分割出靠近目标的像素区域，然后逐渐学会以高置信度预测目标的点级别标签。因此，作者提出LESPS 框架，通过迭代地更新标签和网络训练，最终使网络能够自动生成像素级伪标签，实现了端到端的红外小目标检测。

本文贡献

• 我们首次研究了弱监督SIRST检测，并引入了可以显著降低注释成本的LESPS

• 我们发现了映射退化现象，并利用这种现象通过LESPS从给定的点标签中自动回归出像素级的伪标签

• 实验结果表明，我们的框架可以应用于不同的现有红外小目标检测网络，使其在像素级交集联合（IoU）和目标级别检测概率（Pd）方面实现了超过70%和95%的全面监督性能。

相关工作

红外小目标检测：在过去几十年里，已经提出了各种各样的红外小目标检测方法，包括传统方法（如基于滤波的方法、基于局部对比度的方法和基于低秩的方法）以及最近的深度学习方法。与传统方法相比，深度学习方法，尤其是卷积神经网络（CNNs），能够以数据驱动的方式学习输入图像与真实标签之间的非线性映射，因此在处理