极市平台 | TGRS 2025 | 山东大学×提出HDNet：融合多尺度高频信息增强的混合域红外小目标检测网络

原创于 2025-12-20 21:56:46 发布 · 392 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #人工智能 #计算机视觉 #深度学习 #transformer

深度学习拓展阅读专栏收录该内容

1033 篇文章

订阅专栏

本文来源公众号“极市平台”，仅用于学术分享，侵权删，干货满满。

原文链接：https://mp.weixin.qq.com/s/8C29fXHpQ1--B6A6uwwybg

极市导读

HDNet 提出了一种创新的混合域网络架构，通过协同利用空间域的多尺度空洞对比卷积（MAC）与频率域的动态高通滤波器（DHPF），实现了对可变尺寸微小目标的精准感知及低频背景干扰的自适应抑制。该方法有效解决了红外图像信噪比低的难题，在三个主流数据集上对比 26 种先进方法均取得了 SOTA 性能，同时保持了优异的计算效率。

论文题目：《HDNet: A Hybrid Domain Network with Multi-Scale High-Frequency Information Enhancement for Infrared Small Target Detection》
作者：Mingzhu Xu, Chenglong Yu, Zexuan Li, Haoyu Tang, Yupeng Hu
作者单位：山东大学
论文链接：https://ieeexplore.ieee.org/document/11017756
代码链接：https://github.com/xumingzhu989/HDNet-TGRS

01 动机

红外小目标检测（IRSTD）面临着目标尺寸细小多变且信噪比低，极易被复杂背景杂波（如云层、雾气等低频背景）淹没的难题。标准的空间域卷积神经网络（CNN）往往充当低通滤波器，导致包含丰富细节的高频小目标信息丢失，且受限于局部感受野，难以捕捉全局光谱分布以区分目标与背景。此外，现有的结合频率域的方法通常依赖固定阈值或简单的卷积来分离频率，无法自适应地处理红外图像中复杂且动态变化的低频背景干扰。为了克服这些局限性，作者旨在提出一种混合域网络（HDNet），通过在空间域引入多尺度空洞对比度卷积来增强对可变尺寸目标的感知，同时在频率域设计动态高通滤波器以自适应地抑制缓慢变化的背景噪声，从而显著提升检测性能。

02 概述

本文提出了一个混合域网络（HDNet），旨在结合空间域的多尺度感知能力与频率域的背景抑制能力，以解决红外小目标检测中目标尺寸多变及背景干扰严重的问题。为实现这一目标，作者设计了两个核心模块：其一是位于空间域的多尺度空洞对比度卷积（MAC）模块，通过利用多个不同核尺寸的并行空洞对比度卷积，增强了网络对尺寸微小且多变目标的感知能力并提升了目标与背景的对比度；其二是位于频率域的动态高通滤波器（DHPF）模块，该模块通过分层计算低频信号能量并根据图像内容动态剔除特定比例的低频成分，有效保留了图像的高频细节并抑制了缓慢变化的背景干扰。此外，该网络将空间域与频率域的特征进行融合，并在三个公开数据集上对比26种先进方法验证了其有效性。

03 模块介绍

3.1 多尺度空洞对比卷积（MAC）

多尺度空洞对比卷积（MAC）模块是专门针对红外小目标尺寸多变（从单像素到数十像素不等）以及信噪比低、外观模糊的挑战而设计的。为了克服传统CNN方法在处理纹理信息贫乏的小目标时容易丢失信息的缺陷，MAC模块在空间域编码器中引入了创新性的并行结构。该模块首先通过1X1卷积扩展输入特征图的通道维度，并将其分为四组：一组作为直接连接以保留原始信息，其余三组则分别输入到三个具有不同核大小和空洞率的空洞对比度卷积（ACC）分支中进行并行处理。

3.2 动态高通滤波器（DHPF）

动态高通滤波器（DHPF）模块是 HDNet 频率域分支的核心组件，旨在解决现有频率域方法依赖固定阈值或简单卷积，难以适应红外图像中复杂多变的低频背景这一问题。红外图像通常包含大面积缓慢变化的低频背景（如云层、路面）和稀疏的高频目标细节。DHPF 不使用静态滤波器，而是根据图像内容的频率能量分布，动态地生成滤波掩膜，从而实现自适应的背景抑制。

04 对比实验结果

在三个公开数据集上的综合实验表明，HDNet 在多项关键指标上超越了现有的 26 种先进方法，尤其是在抑制虚警方面表现突出。其创新的 MAC 与 DHPF 模块的有效性得到了充分验证，显著提升了模型对多尺度、低信噪比小目标的检测能力与鲁棒性。

HDNet 在多个数据集上的关键指标显著领先，在 NUAA-SIRST 数据集上实现了 100% 的目标检出率，并在所有数据集上保持了最低的虚警率，验证了其在复杂背景下准确检测多尺度小目标的强大能力。

在极具挑战性的场景（如目标极小、形状不规则、与背景相似或存在亮噪声干扰）中，HDNet 生成的预测图能最清晰地凸显目标轮廓，几乎无背景残留，而其他先进方法则普遍存在明显的漏检或误检现象，直观证明了其卓越的泛化性与鲁棒性。

05 消融实验结果

消融实验系统性地验证了HDNet中每个核心模块的有效性与必要性。实验表明，单独的MAC模块显著提升了对多尺度小目标的感知能力，单独的DHPF模块有效抑制了低频背景干扰；而当两者结合构成完整HDNet时，各项性能指标达到最优。模块内部的对比实验进一步证实，多尺度空洞对比设计、动态渐进滤波策略以及尺度位置敏感损失函数均为提升模型整体性能的关键创新点。